现代影像设备已经能把人体内部“看”得越来越清楚，可当一支微创器械伸进狭窄的腔道、贴上一块柔软的组织时，它到底用了多大的力？如果用传统的力学传感器，它们往往需要搭载多种电子线路，塞不进小至毫米级的探头，这也成为限制医疗器械精细化感知的一大瓶颈。

2026 年 5 月，上海交通大学杨建龙团队在光学顶级期刊 Optica 上发表的一项最新工作，选择把这一问题交给光来解决：一根金黄色的柔性细管，末端是一颗黑色的小圆球，搁在指尖上，比指甲盖还小，这使其能在各类狭窄弯曲的腔道中自如穿梭。

这枚外径仅 1.7 毫米的微型传感器不依赖应变片，也没有任何电子元件。它巧妙地把外力引起的微小形变“编码”成光场变化，再借助人工智能，即可从一张图像中精准解码三个维度的力与三个维度的力矩。

图 | 与指尖对比的 1.7 毫米外径六轴光学力传感器。（来源：受访者提供）

为什么是 1.7 毫米？回答一个摸不准的痛点

要理解这枚传感器，得先理解它的研制者为什么会执着于"做小"。

主导这项研究的杨建龙副教授来自上海交通大学生物医学工程学院。他研究生阶段所在的团队从事惯性约束核聚变（ICF）激光驱动器的相关研发工作。高功率激光是一种高能量、高精度的驱动工具，目标宏大到指向人类未来的能源问题。在导师徐剑秋教授带领下，他参与了整个装置的搭建、调试与优化，也经历过和同事一起奋战到凌晨、最终把激光能量做“达标”的过程。

图 | 杨建龙（右）与导师徐剑秋教授在激光驱动器能量达标时的合影。（来源：受访者提供）

这段经历带来的是一种被他称为系统工程思维的科研习惯：光源、光路、材料、控制、稳定性、标定、环境扰动，每一个环节都可能左右最终结果。他告诉 DeepTech，“真正重要的工程科学问题，不是靠一个漂亮想法就能完成的，往往需要系统设计、误差控制、工程协同和长期调试，一点一点逼近目标。”

真正把他推向微观的，是一段博士后经历。2016 至 2018 年，他在美国俄勒冈健康与科学大学（OHSU）光学相干层析成像（OCT）共同发明人戴维·黄（David Huang）教授课题组做博士后，进入了眼科成像这个完全不同的尺度。其间，他与刘刚军教授合作，研发出筛查早产儿视网膜病变的手持式 OCT 血流成像设备。

图 | 手持式 OCT 血流成像设备用于 NICU 床旁早产儿视网膜病变筛查。（来源：受访者提供）

当设备被推到新生儿重症监护室（NICU）的床旁、真正用于早产儿巡检时，他第一次非常直接地意识到，光学系统真正有价值的地方，除了实验室里测得的分辨率、灵敏度和算法指标，更在于其有没有潜力成为贴合临床流程的平台，真正帮医生在现场拿到过去不容易获得的信息。

这种思路一直延伸至今，此次他们开发的微型传感器，直指一个非常现实的临床痛点：在微创检查、微创手术和机器人精密操作中，医生或机器人往往看得见，却摸不准。现代影像系统把结构显示得很清楚，却无法提供关于物理交互的信息，传统力传感器又常常因为体积大、结构复杂，难以集成进毫米级的器械末端。

为了解决“摸不准”的难题，他们开发出这枚 1.7 毫米的传感器，其核心思路可概括为“软接触、硬反馈”。传感探头由一根光纤搭配柔软的弹性体（PDMS 硅胶）末端构成。当末端接触物体时会发生极其微小的形变，这会改变末端内部光学腔体中的光分布，形成一个特定的光斑图案。

图案经由一束相干光纤束传回近端，被相机拍成图像；最后用数据驱动的方法，在这张图像中反推各个方向的力与力矩。相干光纤束的关键作用，是在传输过程中保留光场的空间信息，从而让全部感知都通过“单一光学通道”完成，正因此，末端不需要复杂布线，也不需要多个分立敏感单元。

图 | 6 个自由度光学力-扭矩传感器的设计和特性（来源：DOI: 10.1364/OPTICA.582941）

谈到这里，杨建龙特别向 DeepTech 强调：“我们并不是简单地把传感器做小。”在他看来，缩小尺寸只是结果，真正的命题是：在传统传感器进不去的极小空间里，探索一种适合该尺度的高维力觉感知方法。这与“把已有方案等比例缩小”是两回事。

这条技术路线从起源之际就是两个领域的交叉。一方面，机器人领域近年兴起的视触觉传感（vision-based tactile sensing）给了团队启发：力不一定要被直接测量，也可以通过观察柔性材料受力后的形变实现间接编码；另一方面，团队此前在腔道内机器人导航研究中用到的相干光纤束，提供了一种在超细径下传输二维光场信息的能力。将二者结合，力觉传感才有机会被进一步压缩到毫米级。

用 AI 将光斑“翻译”成力

证实了可行性之后，对于一枚将用于承担精细任务的传感器而言，如何测得准、测得稳，成为杨建龙团队下一步需要解决的难题。

1.7 毫米尺度下，柔性材料的形变、内部光场变化、相干光纤束成像以及多维力和力矩之间高度耦合：不同方向的受力，在光场里有时会呈现出部分相似的响应模式。力学仿真与雅可比（Jacobian）分析显示，系统理论上包含完整的六维力信息，传统解析建模对噪声和微小误差非常敏感，直接反推并不可行。

这时，机器学习就派上了用场，算法能从大量真实与合成数据中，自主学会复杂、高维、非线性的整体映射关系。团队结合了 AI 与传统物理建模各自的优势，先通过力学仿真和光学分析，确认系统里确实存在可区分的六维响应；再用 AI 完成复杂映射的稳健解码。这样看来，AI 更像一位物理翻译官，在复杂耦合中完成解耦，成为传统物理模型的补充。

图 | 传感器在受控机械载荷下的光学响应特性（来源：DOI: 10.1364/OPTICA.582941）

然而，AI 一旦介入传感，也将带来两个绕不开的风险。

第一是“走捷径”的问题。这也是现有模型训练中几乎无可避免的情况。在学习受力分析时，模型可能偷懒，通过记忆与受力无关的特征拿到高分。在基于相干光纤束的系统中，光纤束内部纤芯排布、柔性材料的微小差异，都会让每个探头在静态下呈现不同的纹理。如果直接让模型从单张图像学习力的映射，它很容易通过记忆这些静态纹理在训练集上表现亮眼，泛化能力却有限。

团队的解决方案是差分学习。杨建龙向 DeepTech 介绍称，差分学习解决的是“模型应该关注什么”的问题，是一种偏物理约束的设计。它要求模型必须关注“受力之后哪些部分发生了变化”。这种做法会主动削弱静态背景和固定纹理的影响，把模型的注意力引导到受力前后真正发生变化的区域。

在探讨 AI 是否真正“理解”物理规律时，杨建龙表示，他并不愿把这套系统描述成一个“自动学会了力学”的黑箱智能，团队是在物理约束和实验数据的共同作用下，教会模型一种与形变相关的稳定表示。“AI 是否真正理解物理，这本身就是一个开放的问题。”

第二个风险是“幻觉”。团队在标定环节引入了扩散模型，并用它生成了约 10 万张合成图像，以此解决真实标定数据获取成本高、难以覆盖庞大六维受力空间的问题。然而，在杨建龙教授看来，对这类光学力觉系统而言，真正危险的并不是图像不够逼真，而是模型学到了物理上并不存在的模式。

因此，团队从一开始就没有把扩散模型当作凭空造数据的工具。真实标定数据始终是基础，合成数据只用于帮模型更连续地覆盖六轴力/力矩对应的中间状态；同时，团队会关注生成结果是否符合基本物理连续性：柔性结构受力时，光场变化通常是连续、平滑、有方向关联的，若出现局部异常纹理或不合理突变，便被视为缺乏物理可信性。

最关键的是，团队并不太在意“生成的图像像不像”，主要看它能否真正提升模型在真实实验中的表现。若加入合成数据后真实测试效果没有改善，甚至下降了，就说明这些数据没有提供有效的物理信息。按杨建龙的总结，差分学习解决的是“模型应该关注什么”，扩散模型解决的则是“模型有没有机会看到足够丰富的状态空间”。

图 | 合成数据生成和真实数据适应相结合的生成式自校准框架（来源：DOI: 10.1364/OPTICA.582941）

从目前公开的实验结果看，这套解码框架已能比较稳定地完成六轴力/力矩的同步估计，其中只有轴向扭转这一维度相对更困难。研究人员在研究中表示，在极小尺寸下，轴向扭矩本身产生的形变非常微弱，参考标定设备在小扭矩范围内也更易受噪声影响。

从实验室到手术台，不仅要懂“感知”

一项实验室技术要走进手术室，最大的障碍往往不是能不能测到力，而是能不能在真实医疗环境里长期、稳定、可重复地工作。

在评估阶段，团队用一台精密参考力-力矩传感器作为基准、用电动位移台制造包括复合力与扭转在内的多种加载条件，对传感器进行了系统标定与测试。结果显示，传感器在复杂加载下仍能给出准确、可重复的测量，且滞回很低，即加载与卸载时读数几乎一致；在温度变化和探头弯曲的情况下，性能也保持稳定。

团队还做了“肿瘤触诊”模拟实验：在明胶中嵌入一个较硬的球形包裹物模拟皮下肿瘤，结果证实，传感器能检测并定位这一隐藏结构，它提供的信息有望为微创介入的力学映射提供支撑。

图 | 肿瘤定位实验（来源：DOI: 10.1364/OPTICA.582941）

杨教授并不回避局限。在他看来，这枚传感器最大的优势，也是它最大的挑战。首先是来自多维耦合的增强。尺寸缩到 1.7 毫米后，不同方向的受力会产生部分相似的光场响应，某些方向响应更弱、更易受噪声影响。

其次是柔性材料的时间相关特性。传感核心依赖弹性体形变，这类材料天然具有黏弹性，实验显示，持续加载时，材料会缓慢松弛，力学响应由此随时间轻微漂移。目前，系统仍能稳定跟踪这种变化，但更严格的长期场景仍需优化。

此外还有制造一致性的问题。系统涉及柔性材料、光纤束、微小腔体和装配过程，并非标准化芯片结构。批量生产时，很小的工艺差异都可能让不同探头呈现不同的初始光场特征，这也是目前仍需逐探头标定、引入差分学习与生成式标定框架的原因。最后还有常被忽略的一点，它并不是一个万能传感器，特别适合狭小空间、柔性接触、多维力觉反馈等场景。但在大载荷、高冲击或超高精度工业计量场景中，传统刚性六维力传感器仍有优势。

更深一层，对于医疗场景下的 AI，杨建龙认为，医疗系统里的在线自适应，不能简单理解为 AI 自己不断学习、不断改参数。一个完全开放、自我演化的黑箱系统，在医疗场景里其实非常危险。临床真正关心的，是系统什么时候会失效、失效后能否被及时发现、行为是否仍可追踪可验证。杨建龙更愿意把医疗 AI 传感器的成熟标准定义为，“知道自己什么时候开始不可靠了”。

因此，比起完全自由的在线学习，更现实的方向是系统能周期性检测自身漂移、在有限范围内做受约束的参数校准，或结合标准参考载荷完成重新标定。换句话说，它应当是一种可监管的自校准，而非无限制的自我学习，这也是团队现在关注的重点。

从实验室验证走向实用，需要提高制造一致性、降低复杂标定需求，并在贴近真实的长期工况下完成集成与测试，才谈得上产业化。至于寿命与量产成本，杨建龙明确表示，“目前还不适合给出具体数字”。

仪器的寿命主要取决于柔性材料疲劳、灭菌循环、光学链路稳定性和封装可靠性，成本则取决于标准化制造、装配良率和标定流程；不过，从架构上看，末端无需复杂电子器件、也不像光纤布拉格光栅等方案须依赖昂贵的高精度波长解调仪，标准化制造后，这套系统的复杂度和单位成本仍有下降空间。

给医疗器材提供一个力觉接口

有相机、有光、有感知，因此外界容易把这类技术想象成光学版 B 超，期待它顺势实现实时深部组织成像。杨建龙则给出了不同的意见，B 超的核心是声波进入组织内部、接收回波形成深部图像，这枚传感器目前感知的是接触作用下的力学响应，两者原理不同。

但他认为这个方向有延展空间，可以与白光内窥镜、血管内超声等已有成像模态结合，进而发挥更多价值。对手术机器人而言，这种视觉-力觉的融合除了让医生看清组织，还能进一步确认器械与组织之间的接触是否安全、操作是否过载。

从原理上看，这种基于光场编码的无源感知结构，对小尺度、高密度集成相对有利，因而具备进一步阵列化的潜力。比如高自由度的机器人灵巧手。很多灵巧手已具备复杂运动能力，真正限制精细操作的往往是触觉感知系统。

真实的“触觉”是一个复杂的系统概念，包含对力、温度、粗糙度、形状等多维度的感知；其中，将力觉传感器做小、做密又是一大瓶颈。这一微型六轴力/力矩传感方案，通过光场变化远端读取信息，因而更适合进入柔性末端、腔道机器人或微创器械前端等传统传感系统难以覆盖的狭小区域。当然，杨建龙也坦言，阵列化真正困难的是解决多通道解码、制造一致性、统一标定和实时数据处理等系统级问题。

把镜头拉远，从核聚变激光驱动器到贴近临床的手持式 OCT，杨建龙的研究主线除了简单的“从宏观到微观”，还有光在不同场景里承担的不同角色：在能源装置中，光是高能量、高精度的驱动工具；在 OCT 中，光是观察微小组织结构和血流的窗口；在微型力传感器中，光又进一步成为读取力觉信息的载体。

尺度在变，应用在变，不变的是把光学技术真正做成可靠、有用、能进入真实场景的系统。这也正是这项工作的意义所在：它不做替代，只想补充一个空白。在传统方案难以进入的极小空间里，提供一种新的多维力觉获取路径，最终在真实场景中让机器看得更清、感受更准、操作更安全。

参考内容：

https://opg.optica.org/optica/fulltext.cfm?uri=optica-13-5-884

https://www.optica.org/about/newsroom/news_releases/2026/tiny_sensor_harnesses_light_to_feel_touch

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成