Mag sein, ich kenne das MD nicht - aber dass 61MP kein neues und 'teuerstes Zeiss aller Zeiten' bedarf, davon bin ich überzeugt.

Ja das Sony 90mm sollte da sicher keine Probleme haben

Alles andere wäre auch unlogisch.
Die Anforderung an das Objektiv steigt mit der Sensorauflösung und nicht mit der Anzahl verrechneter Pixel.

Die Anforderung an das Objektiv.steigt deutlich, da ja beim Pixelshift die Auflösung des Sensors verdoppelt (1-dimensional) bzw. (in der Fläche) vervierfacht wird. Ansonsten könnte man ja im Ergebnis auch keine bessere Auflösung erwarten.
Die zusätzliche Information erhält man durch die Aufnahmen in den vier zueinander verschobenen Sensorpositionen, quasi das Gegenteil von Pixelbining.

Sind das nicht einfach nur serielle vier Aufnahmen, nur jeweils um einen Pixel verschoben?
Also bleibt es pro Aufnahme bei der maximalen Sensorauflösung.
Ansonsten hätten wir einen 240MP Sensor.

Das ist die einfache Variante des Pixelshift um alle Farbwerte pro Pixel aufzunehmen - wie bei der A7RIII.
Die A7RIV kann aber das ganze nochmal in beide Richtungen um einen halben Pixel verschoben machen und somit halbe Pixelbreiten aufnehmen. Das macht 16 Aufnahmen (4 für die Farben x 4 für die zusättlichenPosition). Macht tatsächlich Dateien mit 240 MP!

Volle Farbinformation, daher keine Bayer-Interpolation UND viefache Auflösung ggü. normalen Aufnahmen.

Ja, aber aus mehreren Einzelbildern zusammengesetzt.
Und für das Objektiv kommt es nur auf das Einzelbild (62 MP) an.
So ist jedenfalls mein Verständnis.

Es werde letztlich 240M Bildpunkte abgetastet. Das muss das Objektiv liefern.

Klar, jedes Pixel oder Subpixel kommt mal analog an der Linse vorbei.
Du gehst aber hoffentlich mit mir konform, dass, wenn ich ein Panorama aus >1000 Bildern zu einer Petapixel Datei verwurste, das Objektiv nicht diese Endauflösung bedienen muss?
Für mich ist der Shift nichts anderes. Nur, dass die Kamera "das Panorama" bereits auf Sensorebene erledigt (was sollte sie auch sonst shiften?).

Beim Stichen eines Panoramas wird das Objektiv verschwenkt und damit der Bildwinkel addiert. Hier muss das alles innerhalb des stationären Bildbereiches funktionieren.