AI 相关业务深度拆解

AI 产业链对德州仪器的拉动来自功耗上升导致基础模拟价值量提高。GPU 集群功耗、机柜电流、48V 架构、液冷监测、网络端口、SSD 与服务器 BMC 都需要大量电源、传感、隔离和控制器。SIA 对 AI 数据中心半导体价值构成的描述强调，AI 服务器并不只由先进逻辑芯片构成，模拟、功率、存储、网络和基础芯片同样构成完整系统价值。对德州仪器而言，真正的验证点是数据中心业务能否成为工业和汽车之外的第三个更高斜率终端，而不是把集团收入直接标成 AI 收入。

第一层是产品和流程。Texas Instruments 德州仪器 的直接载体包括：Analog power management、Signal chain、Embedded Processing、300mm 自有制造、Data center analog。这些产品或平台是否真正构成 AI 产业链资产，取决于它们是否进入客户关键系统、实验工作流、临床路径、供应链计划或会员数据闭环。越靠近关键流程，切换成本越高；越像标准件，价格竞争越强。

第二层是数据反馈。AI 产业链并不只买一次产品，而是通过工程数据、实验数据、临床数据、消费数据和供应链数据持续反馈。半导体和器件公司从客户平台规格、失效率和下一代电源架构得到反馈；组学与测序公司从样本量、数据质量和分析管线得到反馈；基因编辑公司从临床疗效、安全事件和监管沟通得到反馈；消费品牌从会员行为、库存和折扣得到反馈。反馈越可复用，护城河越可能增强。

第三层是商业化。AI 相关能力只有在客户愿意付费、项目能验收、耗材或软件能复购、临床能推进、库存能改善时，才会进入财务报表。未单列 AI 产业链收入、数据中心电源收入、单客户 AI 平台份额或单机柜价值量，公开口径未披露。 因此本文不写未经披露的 AI 收入，也不写未经核实的市场份额。

更稳妥的 proxy 是：

AI 产业链 proxy = 下游真实部署量或实验/患者/会员规模
× 单项目或单平台价值量
× 公司可获得份额
× 交付、验证、监管或复购成功率
× 可持续毛利率和现金转换率

产业链位置

Texas Instruments 德州仪器 的产业链位置需要同时看上游、下游和竞品。上游决定供给和成本，下游决定需求质量，竞品决定价值分配。只看其中一端，容易把行业景气误读成公司确定性。

上游

上游环节	影响
硅片、化学品与设备决定 300mm 成熟制程良率和折旧效率。	硅片、化学品与设备决定 300mm 成熟制程良率和折旧效率。
封装测试、引线框架、基板和可靠性测试决定车规、工业和数据中心寿命。	封装测试、引线框架、基板和可靠性测试决定车规、工业和数据中心寿命。
EDA/IP、制造自动化和应用工程决定长尾产品迭代速度。	EDA/IP、制造自动化和应用工程决定长尾产品迭代速度。

上游的研究重点是约束项。材料、设备、晶圆、试剂、临床中心、云算力、制造伙伴、数据平台和物流都可能成为瓶颈。上游稳定时，公司能把需求转为交付；上游不稳定时，公司可能有订单但无法确认收入，或者用更高成本换交付。

下游

下游客户/场景	需求逻辑
云和服务器 OEM/ODM 使用电源、监测、隔离、接口和控制器支撑 AI 服务器与网络设备。	云和服务器 OEM/ODM 使用电源、监测、隔离、接口和控制器支撑 AI 服务器与网络设备。
工业自动化客户把传感器、控制、电机、电源和边缘推理结合到产线。	工业自动化客户把传感器、控制、电机、电源和边缘推理结合到产线。
汽车电子客户在 ADAS、电驱、BMS、车身和信息娱乐中使用模拟与嵌入式芯片。	汽车电子客户在 ADAS、电驱、BMS、车身和信息娱乐中使用模拟与嵌入式芯片。
通信与电源系统厂商在交换机、光模块、UPS、PSU 和电源架中使用高可靠基础器件。	通信与电源系统厂商在交换机、光模块、UPS、PSU 和电源架中使用高可靠基础器件。

下游的研究重点是预算质量。若客户预算来自核心生产系统、临床治疗路径、科研基础设施、长期供应链效率或真实消费者需求，收入质量更高；若预算来自试点、融资、库存补充或短期概念，持续性更弱。AI 产业链的真实传导通常慢于新闻标题。

价值分配

价值分配取决于公司是否处在客户难以替换的位置。进入客户 BOM、临床路径、实验工作流、软件管线、会员数据闭环或供应链计划系统，都会带来切换成本；但切换成本不是永久的。价格、交付、性能、安全、报销、法规和平台生态变化都会迫使客户重新评估供应商。

竞争格局与市场份额

Texas Instruments 德州仪器 的竞争不是所有 AI 公司之间竞争，而是在“模拟与嵌入式处理 / 数据中心电源与信号链”这一层争夺客户预算、平台导入、临床资源、实验通量、供应链份额或运营效率。

竞争者	竞争边界
Analog Devices	高性能模拟、数据转换、电源和工业/通信信号链。
Infineon	功率半导体、车规功率、MCU 与电源系统。
STMicroelectronics	汽车、工业 MCU、功率与模拟混合信号。
NXP	嵌入式处理、车载控制和安全连接。
Renesas	MCU、PMIC、接口和汽车/工业解决方案。

市场份额方面，本文不写伪精确数字。未单列 AI 产业链收入、数据中心电源收入、单客户 AI 平台份额或单机柜价值量，公开口径未披露。 如果没有公开披露公司在 AI 产业链具体场景中的份额，正确写法就是公开口径未披露。可以讨论的是相对结构：产品越关键、认证越长、数据越可复用、客户流程越深，公司越有可能保留利润；产品越标准、替代越多、客户越强势，份额和毛利越容易被压缩。

竞争格局可以分为三层。第一层是同类产品竞争，即客户在相同预算和相似技术路线中选择供应商。第二层是替代路线竞争，即客户用不同技术解决同一个问题。第三层是资本开支竞争，即公司产品即使有价值，也要和客户预算里的其他项目争优先级。

跟踪竞争时，不应只看发布会或新闻稿。更有效的信号是客户是否复购、平台是否进入下一代项目、毛利率是否稳定、库存和应收是否健康、临床是否按计划推进、软件是否进入正式流程、以及同业是否通过二供或更低价格切入。

护城河

护城河在产品 SKU 深度、自有制造、300mm 成本曲线、长期客户认证、工业与车规生命周期、现场销售和应用工程。弱点是模拟产品标准化程度高、客户可二供、短期资本开支高、成熟制程供给恢复后价格弹性下降。

产品护城河来自性能、可靠性、数据质量、临床疗效、制造稳定性、软件体验或品牌转化，而不是来自 AI 标签本身。若产品只能停留在试点或小规模订单，护城河要打折；若产品能跨客户、跨项目、跨周期复用，护城河才会体现在复购和利润率上。

客户认证护城河同样重要。AI 产业链客户通常不愿随意更换关键供应商，因为重新验证会影响交付、责任边界、数据连续性、临床安全或库存质量。但客户认证也是双刃剑：大客户越重要，议价权越强；平台越关键，客户越会要求二供、降价和更严格服务。

数据/反馈护城河取决于数据权利、样本量和可复用性。若公司能从客户使用中持续获得工程数据、实验数据、临床数据或消费行为数据，并把这些数据反馈到下一代产品，就会形成学习曲线。没有数据权限、样本量不足、跨客户不可迁移或监管禁止使用，数据护城河都会被削弱。

规模护城河只有在采购、制造、临床、渠道、软件、服务或品牌上带来单位成本下降时才有效。2025 年收入 US$17.68B，Analog 收入约 US$14.01B，Embedded Processing 收入约 US$2.70B，约 95% 收入来自模拟和嵌入式处理；2025 年毛利率约 57.0%，经营利润约 US$6.02B，自由现金流约 US$2.94B，资本开支约 US$4.55B。 这些财务数字可作为规模底盘，但不能单独证明护城河。护城河最终要经受毛利率、现金流、客户留存和增长质量的复核。

误读纠偏·风险与证伪

误读纠偏

1. 把公司全部收入都视作 AI 产业链收入，是第一类误读。本文只承认 AI 产业链暴露，不把未披露分部改写成会计收入。
2. 把行业 TAM 直接乘以公司份额，是第二类误读。真实传导要经过预算、验证、采购、交付、收入确认和现金回收。
3. 把产品发布等同于商业化成功，是第三类误读。硬件要看导入和复购，生命科学工具要看装机和耗材，基因编辑要看临床和监管，消费品牌要看库存和毛利。
4. 把 AI 能力等同于护城河，是第四类误读。AI 只有在数据、流程、客户和商业模式中形成可复用优势，才可能成为护城河。
5. 对未披露数字进行精确估算，是第五类误读。未单列 AI 产业链收入、数据中心电源收入、单客户 AI 平台份额或单机柜价值量，公开口径未披露。

主要风险

• 把模拟芯片全部视作 AI 收入会高估纯度。
• 300mm 投资提高长期成本竞争力，但折旧和资本开支会压低短期自由现金流。
• 若数据中心客户转向定制电源模块或平台自研，socket 价值量会被重新分配。
• 工业和汽车周期下行可能掩盖数据中心增量。
• 若毛利率持续低于收入恢复速度，说明新增供给和价格竞争削弱定价权。

证伪框架

若收入增长 + 毛利率稳定/上行 + 现金流改善 + 客户复购/临床/平台导入增加：
  AI 产业链卡位被增强验证。

若收入增长 + 毛利率下行 + 现金流恶化 + 库存/应收/临床费用上升：
  需求可能真实，但公司议价权、交付质量或资本效率不足。

若订单延迟 + 客户转向二供 + 技术路线改变 + 管理层降低相关优先级：
  原 thesis 被公开信号削弱，应重新评估产业链位置。

跟踪指标

频率	指标	为什么重要
季度	收入、毛利率、经营利润、净利润、自由现金流	验证产业需求是否转化为经营质量
季度	订单、backlog、装机、耗材复购、合作收入或临床进度	判断收入领先指标和持续性
季度	库存、应收、资本开支、研发和临床费用	识别低质量增长和现金消耗
年度	客户/供应商集中度、产品线披露、风险因素	判断议价权和真实 AI 产业链暴露
事件	技术路线、监管、报销、客户导入、安全事件	判断 thesis 是否被外部条件改变

尽调问题清单

问题	期待看到的证据	无法回答时如何处理
AI 产业链相关收入是否有披露口径？	分部收入、订单、客户场景、产品收入或管理层明确口径	写公开口径未披露，不填数字
单项目或单平台价值量是否提升？	BOM、装机、耗材、合同范围、临床经济性或复购	只做定性 proxy，不写具体金额
毛利率变化是否来自 AI 产业链 mix？	产品 mix、价格、良率、试剂/耗材、合作结构或渠道折扣	若无法拆分，只按集团毛利率验证
客户集中度是否上升？	年报客户集中度、应收、backlog、合作条款	无披露则把集中度作为风险假设
上游供给是否限制交付？	关键材料、晶圆、试剂、临床中心、云算力或物流交期	下修收入确认节奏
竞品是否通过二供进入？	客户认证、招标、拆解、临床数据、价格变化	下修份额和毛利率判断
哪些公开信号会推翻 thesis？	管理层指引、订单延期、客户流失、监管/安全事件、技术路线变化	触发重新评估产业链卡位

产业逻辑补充底稿

对德州仪器，最容易被误读的是“模拟芯片没有先进制程，所以和 AI 产业链关系弱”。更准确的说法是：先进制程负责计算密度，模拟和嵌入式负责把电、热、信号和控制问题稳定地接入系统。AI 服务器功耗上升后，电源转换、热监测、电流检测、隔离保护、接口和控制器的重要性上升；但这些产品分散在大量 SKU 中，单项收入通常不会被公司单列披露。因此研究时要把数据中心作为终端暴露，而不是把所有 Analog 收入都当成 AI 产业链收入。

正向信号包括：管理层持续披露数据中心终端增长；Analog 与 Embedded Processing 同步恢复；新增 300mm 产能的折旧压力逐步被收入吸收；自由现金流率改善；客户在服务器电源、热管理、网络、存储和工业边缘控制中采用更多 TI 器件。反向信号包括：资本开支继续高企但收入斜率不足；毛利率修复弱于同业；工业和汽车客户去库存拉长；数据中心只体现为短期订单而无法形成复用平台。

研究边界上，德州仪器不是 GPU、HBM、交换 ASIC 或 AI 服务器整机供应商。它的投资逻辑更像“AI 产业链底层电源与信号链的广谱 beta”，弹性可能低于高纯度芯片公司，但客户广、生命周期长、制造自控能力强。只有当数据中心终端贡献在财务中被持续验证，且 300mm 成本曲线转化为毛利率和现金流改善时，这个节点才应被上调权重。

情景推演与验证路径

基准情景下，研究者不需要假设公司突然变成高纯度 AI 产业链公司，只需要验证 数据中心终端、300mm 产能利用率、Analog 与 Embedded Processing 恢复、自由现金流和工业/汽车周期 是否沿着公开披露的方向改善。基准情景的写法应当保守：收入或项目进展可以小幅改善，但未披露 AI 收入仍然不填；毛利率和现金流若没有同步改善，就不能把行业景气解释为公司护城河扩大。这个情景下，公司的作用是提供一个可跟踪的产业链节点，而不是给出任何投资方向。

上行情景需要更严格的证据。首先，相关产品或项目要从新闻、试点、早期合作进入正式采购、装机、临床、复购或商业化流程。其次，收入质量要改善，表现为毛利率稳定或上行、现金流不恶化、库存和应收不过度膨胀、客户复购或临床进度清晰。第三，竞争者没有通过低价、二供、替代技术或平台捆绑快速压低公司价值量。只有三类证据同时出现，才可以说 AI 产业链位置被强化。

下行情景通常先出现在领先指标，而不是收入立刻下滑。硬件和器件公司会先看到订单周期拉长、book-to-bill 回落、库存上升或客户要求二供；生命科学工具会先看到仪器采购推迟、耗材利用率下降、科研经费收紧或制药客户项目延后；基因编辑公司会先看到临床 hold、不良事件、入组放缓、监管要求提高或合作方重新谈判；消费品牌会先看到库存周转变慢、折扣扩大、全价销售率下降和渠道伙伴谨慎补货。

对所有公司都适用的复核顺序是：先看公开事实，再看管理层表述，最后才看行业叙事。公开事实包括财报、年报、监管文件、产品页、临床公告、客户采用、订单指标和现金流。管理层表述只能作为解释材料，不能替代数据。行业叙事只能作为方向，不能替代公司级兑现。若三者冲突，优先级应为公开事实高于管理层表述，高于行业叙事。

还要避免用单一指标下结论。收入增长可能来自价格、补库存、一次性结算、合作款或产品 mix；毛利率改善可能来自成本下降，也可能来自暂时性高毛利项目；现金增加可能来自融资，而非经营改善；临床数据阳性也可能因为样本量小、随访短或终点选择而不够稳固。因此每篇都必须把“发生了什么”和“能否持续”分开写。

本文对 txn.mdx 的最终处理是：保留 AI 产业链相关性，但不给目标价、评级、仓位、买卖方向或收益承诺；所有未披露数字继续写公开口径未披露。后续复核时，如果出现新的年报、监管文件、临床读数、客户导入或公司正式拆分披露，应优先替换旧锚点，而不是在旧数字上加估算。

来源权重与禁止外推

本文把来源分成三层使用。第一层是一手来源，包括公司年报、10-K、财报新闻稿、官网产品页、临床公告、投资者材料和监管文件。这类来源可以用来确认公司做什么、披露了什么数字、产品或管线处在什么状态。第二层是权威行业或机构资料，包括行业协会、监管机构、研究机构公开摘要、医学或生命科学机构的解释性资料。这类来源可以用来理解产业趋势，但不能替代公司级财务披露。第三层是媒体、数据库和二级评论，只能用于发现线索或补充背景，不能作为精确财务或份额的唯一依据。

因此，正文中的精确数字只来自第一层或可交叉核验的公开披露。若只有媒体转述而没有公司原文，本文不把它写成硬财务锚点。若公司只披露集团收入而没有披露 AI 产业链收入，本文不按主观比例拆分。若公司只披露项目进展而没有披露金额，本文不把项目进展估算成收入。若行业报告给出市场空间，本文不把市场空间乘以假设份额写成公司收入。

这个约束对 AI 产业链尤其重要。AI 产业链的叙事会同时吸引资本、客户、供应商和媒体关注，容易出现“概念真实，但公司兑现不确定”的情况。一个行业方向可以长期正确，但单家公司仍可能因为成本、技术路线、客户集中、监管、临床安全、价格竞争或库存周期而无法兑现。因此，本文把产业逻辑和投资结论严格分开：产业逻辑可以讨论空间、节点和护城河，投资结论不在本文范围内。

后续更新时，应优先替换三类信息：新的年度报告或 10-K、公司正式财报/临床公告、产品或客户采用的直接证据。若只出现股价波动、券商目标价、社交媒体传闻或未具名供应链消息，不应改写本文的核心财务锚点。若出现重大反证，例如监管暂停、临床失败、核心客户流失、毛利率结构性下滑、现金流恶化或公司明确下调相关业务优先级，则应在第 8 章证伪框架中优先更新，而不是只在投资摘要中增加乐观解释。

复核口径

复核本文时，可以按三步走。第一步，确认 frontmatter 的 ticker、公司名、产业链节点和更新时间是否正确。第二步，逐条核对正文中的精确数字是否能在来源中找到，不能核验的数字应删除或改为公开口径未披露。第三步，确认每一个 AI 产业链判断都有相应业务载体，例如产品、平台、临床项目、耗材、软件、客户流程或供应链环节。若只有抽象概念而没有业务载体，该判断不应进入投资摘要。

本文保留一定篇幅讨论风险和证伪，是为了防止把产业方向写成单边结论。AI 产业链会持续变化，后续更新应允许 thesis 上调，也应允许 thesis 被反证推翻。对公开信息尚不充分的地方，最稳妥的处理不是补猜数字，而是留下待核实变量。

主要来源

[1] Texas Instruments 2025 Annual Report — https://investor.ti.com/static-files/fc9d9346-cf77-40db-902a-e9961e9c5736 [2] Texas Instruments Investor Relations — https://investor.ti.com/ [3] SEC Form 10-K / TXN — https://www.sec.gov/edgar/browse/?CIK=97476 [4] SIA AI data center semiconductor report — https://www.semiconductors.org/new-report-finds-semiconductors-account-for-95-of-an-ai-data-server-racks-value-encompassing-the-full-stack-of-chip-technologies/ [5] Yole Power Electronics for Data Centers 2025 — https://www.yolegroup.com/product/report/power-electronics-for-datacenters-2025/ [6] TI data center solutions — https://www.ti.com/applications/data-center-enterprise-computing/overview.html [7] TI analog products — https://www.ti.com/analog-circuit/overview.html [8] TI embedded processing — https://www.ti.com/microcontrollers-mcus-processors/overview.html [9] TI manufacturing — https://www.ti.com/about-ti/company/technology-manufacturing.html