前言：当代社会的生产生活，许多方面都依赖于大型、复杂的软硬件系统，包括互联网、高性能计算、电信、金融、电力网络、物联网、 医疗网络和设备、航空航天、军用设备及网络等。这些系统的用户都期待有好的体验。 因而，这些复杂系统的部署、运行和维护都需要专业的运维人员，以应对各种突发事件，确保系统安全、可靠地运行。由于各类突发事件会产生海量数据，因此，智能运维从本质上可以认为是一个大数据分析的具体场景。

智能运维正在经历由“基于人为指定规则”到“基于机器学习”的转变，将来会看到越来越多的科研成果和实际系统采用机器学习算法做为基础工具。目前机器学习在一个领域取得广泛成功有几个要素：可用的开源机器学习系统、实际应用场景、大量数据、大量标注，而智能运维恰好具备这几类要素。所以基于机器学习的智能运维在今后几年会取得长足的进展。

图1展示了智能运维涉及的范围。它是人工智能、行业领域知识、运维场景领域知识三者相结合的交叉领域，离不开三者的紧密合作。

图1 智能运维涉及的范围

智能运维的历史

图2 运维发展历史

在运维发展的过程中，最早出现的是手工运维；在大量的自动化脚本产生后，就有了自动化的运维；后来又出现了DevOps和智能运维。在运维的过程中，涉及到的步骤可以概括为：产生海量的监测日志，进行分析决策，并通过自动化的脚本进行控制。运维的发展过程，主要是分析决策步骤发生了变化：起初，由人工决策分析；后来，在采集数据的基础上，使用自动化的脚本进行决策分析；最后，用机器学习方法做决策分析。

手工运维： 早期的运维工作大部分是由运维人员手工完成的，那时，运维人员又被称为系统管理员或网管。他们负责的工作包括监控产品运行状态和性能指标、产品上线、变更服务等。因此，单个运维人员的工作量，运维人员的数量都是随着产品的个数或者产品服务的用户规模呈线性增长的。此时的运维工作消耗大量的人力资源，但大部分运维工作都是低效的重复。这种手工运维的方式必然无法满足互联网产品日新月异的需求和突飞猛进的规模。

自动化运维： 运维人员逐渐发现，一些常见的重复性的运维工作可以通过自动化的脚本来实现：一部分自动化脚本用以监控分布式系统，产生大量的日志；另外一部分被用于在人工的监督下进行自动化处理。这些脚本能够被重复调用和自动触发，并在一定程度上防止人工的误操作，从而极大地减少人力成本，提高运维的效率。这就诞生了自动化运维。自动化运维可以认为是一种基于行业领域知识和运维场景领域知识的专家系统。

运维开发一体化：传统的运维体系将运维人员从产品开发人员中抽离出来，成立单独的运维部门。这种模式使得不同公司能够分享自动化运维的工具和想法，互相借鉴，从而极大地推动了运维的发展。然而，这种人为分割的最大问题是产生了两个对立的团队——产品开发人员和运维人员。他们的使命从一开始就截然不同：产品开发人员的目标是尽快地实现系统的新功能并进行部署，从而让用户尽快地使用到新版本和新功能。运维人员则希望尽可能少地产生异常和故障。但是经过统计发现，大部分的异常或故障都是由于配置变更或软件升级导致的。因此，运维人员本能地排斥产品开发团队部署配置变更或软件升级。他们之间的目标冲突降低了系统整体的效率。此外，由于运维人员不了解产品的实现细节，因此他们在发现问题后不能很好地定位故障的根本原因。为了解决这一矛盾，DevOps应运而生。DevOps最核心的概念是开发运维一体化，即不再硬性地区分开发人员和运维人员。开发人员自己在代码中设置监控点，产生监控数据。系统部署和运行过程中发生的异常由开发人员进行定位和分析。这种组织方式的优势非常明显：能够产生更加有效的监控数据，方便后期运维；同时，运维人员也是开发人员，出现问题之后能够快速地找出根因。谷歌的站点可靠性工程(Site Reliability Engineering, SRE)就是DevOps的一种特例。

智能运维 （AIOps， Artificial Intelligence for IT Operations）：自动化运维在手动运维基础上大大提高了运维的效率，DevOps 有效地提升了研发和运维的配合效率。但是，随着整个互联网系统数据规模的急剧膨胀，以及服务类型的复杂多样，“基于人为指定规则”的专家系统逐渐变得力不从心。因为，自动化运维的瓶颈在于人脑：必须由一个长期在一个行业从事运维的专家手动地将重复出现的、有迹可循的现象总结出来，形成规则，才能完成自动化运维。然而，越来越多的场景表明，简单的、基于人为制定规则的方法并不能够解决大规模运维的问题。

与自动化运维依赖人工生成规则不同，智能运维强调由机器学习算法自动地从海量运维数据（包括事件本身以及运维人员的人工处理日志）中不断地学习，不断地提炼并总结规则。换句话说， 智能运维在自动化运维的基础上增加了一个基于机器学习的大脑，指挥着监测系统采集大脑决策所需的数据，做出分析、决策并指挥自动化脚本去执行大脑的决策，从而达到运维系统的整体目标（见图3）。Gartner Report 预测AIOps 的全球部署率将从2017年的10%增加到2020年的50%。

图3 智能运维与自动化运维的最大区别是有一个基于机器学习的大脑

智能运维现状

根据Gartner Report，智能运维相关的技术产业处于上升期。2016年，AIOps的部署率低于5%，Gartner预计2019年AIOps的全球部署率可以达到25%。所以，AIOps的前景一片光明。

关键场景与技术

图 4显示了智能运维包含的关键场景和技术 ，涉及大型分布式系统监控、分析、决策等。

图4 智能运维的关键场景和技术

在针对历史事件的智能运维技术中，瓶颈分析是指发现制约互联网服务性能的硬件或软件瓶颈。热点分析指的是找到对于某项指标（如处理服务请求规模、出错日志）显著大于处于类似属性空间内其他设施的集群、网络设备、服务器等设施。KPI曲线聚类是指对形状类似的曲线进行聚类。KPI曲线关联挖掘针对两条曲线的变化趋势进行关联关系挖掘。KPI曲线与报警之间的关联关系挖掘是针对一条KPI曲线的变化趋势与某种异常之间的关联关系进行挖掘。异常事件关联挖掘是指对异常事件之间进行关联关系挖掘。全链路模块调用链分析能够分析出软件模块之间的调用关系。故障传播关系图构建融合了上述后四种技术，推断出异常事件之间的故障传播关系，并作为故障根因分析的基础，解决微服务时代KPI异常之间的故障传播关系不断变化而无法通过先验知识静态设定的问题。通过以上技术，智能运维系统能够准确地复现并诊断历史事件。

针对当前事件，KPI异常检测是指通过分析KPI曲线，发现互联网服务的软硬件中的异常行为，如访问延迟增大、网络设备故障、访问用户急剧减少等。异常定位在KPI被检测出异常之后被触发，在多维属性空间中快速定位导致异常的属性组合。快速止损是指对以往常见故障引发的异常报警建立“指纹”系统，用于快速比对新发生故障时的指纹，从而判断故障类型以便快速止损。异常报警聚合指的是根据异常报警的空间和时间特征，对它们进行聚类，并把聚类结果发送给运维人员，从而减少运维人员处理异常报警的工作负担。故障根因分析是指根据故障传播图快速找到当前应用服务KPI异常的根本触发原因。故障根因分析系统找出异常事件可能的根因以及故障传播链后，运维专家可以对根因分析的结果进行确定和标记，从而帮助机器学习方法更好地学习领域知识。这一系统最终达到的效果是当故障发生时，系统自动准确地推荐出故障根因，指导运维人员去修复或者系统自动采取修复措施。

关键技术示例

当我们应用层出现问题的时候，我们希望找到问题的原因。这里要解决的问题都描述过了，常用的根因分析算法有基于故障传播链的、有基于概率图模型的。这里我们对基于故障传播链的的思路来庖丁解牛。

假如说我们有这样的故障传播链，同时又对事件有很好的监测和准确的报警，那根因的分析就简单了。因为只需要顺着故障传播链各个报警找，找到最后一个就是根因。这其中有两个关键的步骤，一个是KPI异常检测，另一个是故障传播链，下面会详细介绍这两部分。

首先是异常检测，很多算法是基于KPI的趋势预测的，还有一些算法是基于机器学习的，机器学习的算法需要有标注。而标注会给运维人员带来很多开销，所以能不能做一些工作减少标注的开销呢？这其中就包括相似异常的查找，运维人员标一个异常后，能不能自动地把相似的、相关的异常都找出来？ 以上是对异常检测问题的简单分解，后面会更详细的说明。

KPI瓶颈分析

为了保证向千万级甚至上亿级用户提供可靠、高效的服务，互联网服务的运维人员通常会使用一些关键性能指标来监测这些应用的服务性能。比如，一个应用服务在单位时间内被访问的次数(Page Views, PV)，单位时间交易量，应用性能和可靠性等。KPI瓶颈分析的目标是在KPI不理想时分析系统的瓶颈。一般监控数据中的关键指标有很多属性，这些属性可能影响到关键指标，如图5所示。

图5 KPI及影响因素

当数据规模较小时，运维人员通过手动过滤和选择，便能够发现影响关键性能指标的属性组合。但是，当某个关键指标有十几个属性，每个属性有几百亿条数据时，如何确定它们的属性是怎样影响关键性能指标的，是一个非常有挑战性的问题。显然，采用人工的方式去总结其中的规律是不可行的。因此，需要借助于机器学习算法来自动地挖掘数据背后的现象，定位系统的瓶颈。

针对这一问题，学术界已经提出了层次聚类、决策树、聚类树(CLTree)等方法。FOCUS 通过对数据预处理，把KPI分为“达标”和“不达标”两类，从而把KPI瓶颈分析问题转化为在多维属性空间中的有监督二分类问题。由于瓶颈分析问题要求结果具备可解释性，因此FOCUS采用了结果解释性较好的决策树算法。该算法较为通用，可以针对符合图5所示的各类数据进行瓶颈分析。

KPI 异常检测

KPI异常检测是互联网服务智能运维的一个底层核心技术。大多数上述智能运维的关键技术都依赖于KPI异常检测的结果。

当 KPI 呈现出异常（如突增、突降、抖动）时，往往意味着与其相关的应用发生了一些潜在的故障，比如网络故障、服务器故障、配置错误、缺陷版本上线、网络过载、服务器过载、外部攻击等。图 6 展示了某搜索引擎一周内的PV数据，其中红圈标注的为异常。

图6 KPI异常示例：某搜索引擎PV曲线的异常

因此，为了提供高效、可靠的服务，必须实时监测KPI，以便及时发现异常。同时，那些持续时间相对较短的KPI抖动也必须被准确检测出来，以避免未来的经济损失。

目前，学术界和工业界已经提出了一系列KPI异常检测算法。这些算法可以概括地分成基于窗口的异常检测算法，例如奇异谱变换(singular spectrum transform)；基于近似性的异常检测算法；基于预测的异常检测算法，例如Holt-Winters方法、时序分解方法、线性回归方法、支持向量回归等；基于隐式马尔科夫模型的异常检测算法；基于分段的异常检测算法；基于机器学习（集成学习）的异常检测算法等类别。

故障预测

现在，主动的异常管理已成为一种提高服务稳定性的有效方法。故障预测是主动异常管理的关键技术。故障预测是指在互联网服务运行时，使用多种模型或方法分析服务当前的状态，并基于历史经验判断近期是否会发生故障。

图 7 显示了故障预测的定义。在当前时刻，根据一段时间内的测量数据，预测未来某一时间区间是否会发生故障。之所以预测未来某一时间区间的故障，是因为运维人员需要一段时间来应对即将发生的故障，例如切换流量、替换设备等。

图7 故障预测定义

目前，学术界和工业界已经提出了大量的故障预测方法。大致可分为几个类别：

• 故障踪迹。其核心思想是从以往故障的发生特征上推断即将发生的故障。发生特征可以是故障的发生频率，也可以是故障的类型。

• 征兆监测。通过一些故障对系统的“副作用”来捕获它们，例如，异常的内存利用率、CPU使用率、磁盘I/O、系统中异常的功能调用等。

• 错误记录。错误事件日志往往是离散的分类数据，例如事件ID、组件ID、错误类型等。

智能运维所用到的机器学习算法

在智能运维文献中较为常见的算法包括逻辑回归、关联关系挖掘、聚类、决策树、随机森林、支持向量机、蒙特卡洛树搜索、隐式马尔科夫、多示例学习、迁移学习、卷积神经网络等。在处理运维工单和人机界面时，自然语言处理和对话机器人也被广泛应用。

机器学习本身已经有很多年了，有很多成熟的算法。要想把机器学习的应用做成功，要有数据，有标注数据，还要有工具（算法和系统），还要有应用。

对于我们运维领域来说，这几点到底是怎么做的？

第一点是数据，互联网的应用天然就有海量日志作为特征数据，想各种办法做优化存储。在运行过程中遇到数据不够用还能按需自主生成，这是很好的。

第二点，在运维日常工作中还会产生各种标注数据，比如说工单系统，发生一次运维事件之后，具体负责诊断的人员会记录下过程，这个过程会被反馈到系统里面，我们可以从里面学到东西，反过来提升运维水平。

第三点就是应用，做出来的系统，我们运维人员就是用户，我们可以设计、部署、使用、并受益于智能运维系统，形成有效闭环。建模、测量、分析、决策、控制，很容易形成一个闭环。我们能够形成闭环，因为我们有这样的优势。

总结一下，基于机器学习的智能运维具有得天独厚的基础，互联网应用天然有海量日志作为特征数据，运维日常工作本身就是产生标注数据的来源，拥有大量成熟的机器学习算法和开源系统，可以直接用于改善我们的应用，所以智能运维在今后若干年会有飞速的发展。

智能运维系统在演进的过程中，不断采用越来越先进的机器学习算法。

基于互联网的视频流媒体（如QQ视频、优酷、爱奇艺、Netflix等）已经逐渐渗透到人们的日常生活中。在网络领域顶级会议中也涌现了很多学术界和工业界合作的智能运维案例，如卡内基梅隆大学的系列工作：SIGCOMM’11论文[3]利用不同数据分析及统计分析方法，灵活使用可视化(visualization)、相关分析(correlation)、信息熵增益(information gain)等工具，将杂乱无章的数据转化为直观清晰的信息，从而分析出海量数据背后的视频体验不佳的规律和瓶颈；SIGCOMM’12论文[4]为视频传输设计了一个“大脑”，根据视频客户和网络状况的全局信息，动态地优化视频传输；SIGCOMM’13论文[5]通过决策树模型建立视频流媒体用户参与度的预测模型，指导关键性能指标的优化策略，最终有效地改善了视频流媒体用户的体验质量；NSDI’17论文[6]将视频质量的实时优化问题转化为实时多臂老虎机(multi-armed bandits)问题（一种基础的强化学习方法），并使用上限置信区间算法(upper confidence bound)有效解决了这一问题。这一系列论文，见证了智能运维不断演进之路。

智能运维未来展望

多个行业领域都表现出对智能运维的强烈需求。但是，他们主要在各自行业内寻找解决方案。同时，受限于所处行业运维团队的开发能力，他们往往对所处行业内的运维团队提出相对较低的需求——这些需求一般停留在自动化运维的阶段。如果各行业领域能够在深入了解智能运维框架中关键技术的基础上，制定合适的智能运维目标，并投入适当的资源，一定能够有效地推动智能运维在各自行业的发展。同时，在智能运维通用技术的基础上，各行业领域的科研工作者也可以在解决所处行业智能运维的一些特殊问题的同时，拓宽自身的科研领域。

在基于机器学习的智能运维框架下，机器将成为运维人员的高效可靠助手。但是，人的作用仍处于主导地位。在智能运维的框架下，运维工程师逐渐转型为大数据工程师，负责搭建大数据基础架构，开发和集成数据采集程序和自动化执行脚本，并高效实现机器学习算法。 同时，在面对所处行业的智能运维需求时，智能运维工程师可以在整个智能运维框架下跨行业地寻找关键技术，从而能够更好地满足本行业的智能运维需求，达到事半功倍的效果。这种从普通工程师到大数据工程师（智能运维工程师）的职业技能转型对运维工程师是非常具有吸引力的。

智能运维的基石是机器学习和人工智能。相比人工智能在其他领域的应用，智能运维几乎完美地拥有一个有前景的人工智能垂直应用领域必备的要素：实际应用场景、大量数据、大量标注。智能运维几乎所有的关键技术都离不开机器学习算法；工业界不断产生海量运维日志；由于运维人员自身就是领域专家，其日常的工作就会产生大量的标注数据。海量的数据和标注降低了研究机器学习算法的门槛，有益于算法研究快速取得进展。因此，智能运维可以说是机器学习领域一个尚未开采的“金矿”， 非常值得机器学习领域科研人员的关注和投入。

作为人工智能的一个垂直方向，智能运维的理论也将取得长足的进步。除了互联网以外，智能运维在高性能计算、电信、金融、电力网络、物联网、 医疗网络和设备、航空航天、军用设备及网络都有很好的应用。

总结：智能运维本身前景非常光明，因为它具备丰富的数据和应用场景，将极大提高智能运维领域的生产力，也是AI领域尚未充分开采的金库。智能运维需要工业界和学术界的密切合作，但是目前仍只限于一对一相对低效的合作，少数公司和少数教授的特权不符合我们大的开源开放的趋势。我们的解决思路就是以科研问题为导向， 从日常工作中找到相关的问题，然后把这些问题分解定义成切实可行的科研问题， 并汇总成智能运维的科研问题库。同时， 工业界能够提供一些脱敏数据作为评测数据集，这样学术界就可以下载数据，并贡献算法。我的实验室NetMan将会运营一个“智能运维算法竞赛”的网站，汇总智能运维的科研问题库，提供数据下载，并举办智能运维算法大赛。已经有包括美国eBay公司在内的多家公司同意为网站提供脱敏的运维数据。

随着地方财政收入压力日益增大以及房地产市场调控进程的步步推进，房产税离我们越来越近了。

关于房产税的影响，最多的焦点在于房价会怎么走。财富证券分析师汤佩徽在近日的报告中表示，房地产税对一二线和三四线城市房价的影响将出现分化。理想条件下，在供大于需的城市中，这会促使投资者抛售房产，进而促使房产价格下跌；而对于供小于需的城市，开征的房产税则会转嫁给房产需求方，房价则因为包含被转嫁的房地产税而上涨：

开征房地产税能否起到抑制房价的作用，关键在于其能否改变市场供需关系的转变，以及对未来房价走势的预期。

从需求端看，较大的城镇化提升空间仍将对房价形成需求支撑；大都市圈化的开启，城市人口密度还有较大提高空间；家庭规模变小和微型家庭增多，房产需求增加。

从供给端看，房地产税的征收将增加房产的供给。

比如，对北京这样的一线城市，房产税大概率会造成房价的下跌。报告中具体进行了情景假设，并以北京为例，计算出了征收房地产税对房价的影响预测：如果人均免征面积为40、45、50 平米，在不同的情景下，房价变动范围分别处于下降 11-38%、10-25%、5-12%之间：

通过横向纵向的对比，我们也能够窥出一些房产税影响的参照。

国外经验表明，税制并不是调控房价的最有效措施，开征房地产税对房价的直接影响是比较微小的。

而以我国此前房产税试点的经验来看，2011年我国在重庆、上海开展房地产税的试点工作，虽然在试点的前三个月，两地住宅成交量分别下滑46%和26%，高于同类城市降幅，但成交均价并没有出现下跌现象，同时在2012年之后成交量也恢复到了原来的水平。图为财富证券分析师汤佩徽采用 DID 模型进行分析的结果：

虽然近日关于房产税的政策和讨论越来越多，但房产税的推出还需要长时间的斟酌。金融研究者李兴伟在文章中表示，房产税不可操之过急，“鉴于房地产及其价格波动背后事关数亿个家庭的财富安全、3万亿美元外汇储备安全、消费升级的信心安全、中国信用抵押链条安全等家国命运，房产税推出务必要三思而后行，更不宜操之过急。”

此前有关专家意见称，可先征收住房空置税以打击炒房，将空置的存量住房逼入市场，有效增加住房供给。业内人士建议，可在重庆、上海房产税试点基础上对一线和部分二线热点城市先行试点征收房产税。

申万宏源证券分析师李慧勇曾在报告中表示，房产税的推进仍有赖于全国统一的不动产登记的完善，以及对房地产价值的合理评估 从立法到落地仍需一段时日。即使落地实施，预计也将采取试点先行、逐步推进的办法； 各地在税率和免征面积上可享有一定自主权。为了尽可能减小对市场产生较大冲击，初始阶段税率或将设在较低水平。目前上海为0.4%/0.6%，，重庆为0.5%-1.2%。但即使房产税顺利落地，要成为主力税种仍需较长时间；而且房产税并非稳定房价的充分条件。 

周四，Uber终于同意向软银领导的投资者集团出售股份。

不过这一轮出售中，Uber估值大幅下跌，拱手让出了全球第一大独角兽的宝座。

此轮Uber的估值为480亿美元，较此前680亿美元的估值大幅折价了30%。

作为交易的一部分，包括软银、投资公司Dragoneer Investment Group、私募基金TPG、腾讯控股以及风险投资公司Sequoia Capital在内的投资者集团还将直接向Uber投资12.5亿美元。这一直接投资将基于此前680亿美元的估值，也算是为Uber挽回了一些颜面。

换句话说，理论上Uber可以宣称自己的纸上估值仍旧是680亿美元，但是实际情况来看真正的估值仅为480亿美元。

这也意味着，如果按照480亿美元排名，Uber的估值不敌滴滴出行。

就在一周前，滴滴出行正式宣布完成新一轮超40亿美元的融资，该轮融资让滴滴的估值增至560亿美元。

上述媒体称，Uber的大股东Benchmark Capital也将放弃对前联合创始人兼首席执行官Travis Kalanick的仲裁案。

针对此轮融资，Uber发言人在声明中表示：

我们期待与投资者合作完成整体交易，我们希望这次交易能够支持我们的技术投资，推动我们的发展，并加强我们的公司治理。

软银的发言人也回应称，对Uber的领导层和员工拥有极大的信心。

此次融资对于Uber而言十分重要。

11月初 Uber首席执行官Dara Khosrowshahi曾表示，Uber整个董事会内有足够多票数支持IPO。他称公司计划于2019年上市，这一决定得到了全体董事会和前CEO Travis Kalanick的认同。

除了IPO计划，今年以来从公司的性别歧视、到CEO丑闻、再到最新曝光的隐瞒黑客盗取用户数据事件，Uber经历了颇为波折的一年。

面临竞争对手Lyft的强势崛起，Uber也倍感压力。

Lyft今年上半年的营收达到4.83亿美元，较去年同期的1.50亿美元增长200%。同时，Lyft上半年亏损收窄，净亏损为2.06亿美元，去年同期净亏损2.83亿美元。

此外，12月5日，Lyft宣布最新一轮融资增加5亿美元。今年10月Lyft获10亿美元融资，由互联网巨头谷歌母公司Alphabet领投。这也意味着这一轮融资增加至15亿美元。

“明年，供需矛盾突出仍将是全年工作的关键特征，并将在较长的时期内保持下去，新的一年，兼顾厂商、经销商、消费者三方的利益仍将是最重要任务。这需要把利润控制在合理区间，不要过度追求利益和利润的最大化，更不能只顾当前，不管长远。”李保芳说道。

李保芳甚至“撂”下狠话，1299元/瓶的价格我们做了规定，如果再有经销商触碰高压线，绝不容情。不仅取消经销商资格外，而且绝不会再接受申请。对此，李保芳对全国大经销商进行了直接点名，希望他们做好带头作用。

袁仁国也提出要提升对价格的管控力度，“市场形势有了好转，我们更要‘稳’字当头，稳住价格，稳住市场基础，稳住市场占有率，茅台酒是用来喝的，不是用来炒的。”

对于茅台方面严防价格过快上涨的表态，一位经销商对表示认同。价格过高，一方面会伤害茅台的品牌形象；另一方面会伤害消费者的利益，最终也会伤害茅台和经销商的长远利益。

李保芳还透露，茅台酒扩产工程正在建设，扩产之后，将形成5.6万吨茅台酒生产能力。而此次扩产之后，其预计至少10年之内不会再扩产。

12月28日早晨8点多，前夜雷声大作突然降雨的贵州省茅台镇，此时天空已然放晴。茅台有史以来规模最大的全国经销商联谊会也在此时召开。

1000多名茅台经销商在茅台领导的掌声中步入会场，他们不少人都面带笑意。2017年，53度飞天茅台酒（以下简称茅台酒）供不应求，价格一路上涨。

“今年的经销商大会，大家的心境与前几年明显不同。过去几年，大家是‘看不清、道不明、拿不准’；而今年的情况截然相反，‘形势好了，有钱赚了’所以一年下来，大家都是笑意盈盈。”茅台集团总经理李保芳称，未来茅台酒供不应求的态势不会减弱，但他提醒经销商，未来若有“炒酒”，将会严肃处理。

茅台集团董事长袁仁国则强调，市场形势有了好转，更要“稳”字当头，稳住市场占有率，基于茅台酒是用来“喝”和“储存”，要理智对待价格，不是用来“炒”的。

2018年茅台酒提价18%

28日早上8点30分左右，按照以往的惯例，茅台高管们仍在茅台会议中心的大门外，夹道欢迎着来自全国各地的茅台经销商们队伍步入会场。

又是一年，茅台经销商大会再次回到赤水河畔，2017年以来，茅台酒销售形势大好，价格一路上涨。

“2016年四季度，茅台酒价格开始上扬，到2017年3月，上涨趋势越来明显，有效防止价格过快上涨成为重要政治性任务。”李保芳说。在李保芳看来，2017年的茅台酒市场已经完全由买方市场转变到了卖方市场。“淡季不淡、旺季更旺”的态势贯穿全年，淡旺季已经没有明显界限。

为了防止价格过快上涨，茅台在今年3月召开座谈会，提出了1299元的终端零售建议价，并在4月、5月连续就稳价问题做了在强调和再安排。

不过，茅台虽然提出了1299元的“平价”价格，但是似乎只是“有价无货”。袁仁国就在会上称，“目前，有的经销商存在‘让价格再飞一会儿’，有的经销商囤积不卖，导致市场高价酒很多，平价茅台一瓶难求。”

无论怎样，茅台酒价格不断上涨的背后，茅台也是赚的“盆满钵满”。

据袁仁国透露，2017年1~11月，茅台集团白酒产量达11.56万吨，同比增长21%，其中茅台酒基酒产量4.27万吨，同比增长9%；白酒销量达到10.59%万吨，同比增长55%其中，茅台酒销量同比增长34%。

“茅台酒酿酒核心区，已经成为世界上生产规模最大、库房最大最多的酿酒实体企业，茅台酒是全球整流机单品销售额最大的品牌。”袁仁国称。

据悉，目前茅台集团已全面超额完成全年度主要目标任务。此外，截至11月，茅台集团实现销售收入654亿元，同比增长52%；利润总额突破300亿元，同比增长58%。营收及利润均创下历史最高水平。

在此情况下，袁仁国宣布从2018年1月1日起，贵州茅台(708.200, -10.49, -1.46%)上调各种产品供货价格，上调幅度为9%~25%。其称此举是为了实现可持续发展，维护市场秩序，兼顾厂商利益，调节供求关系、平衡市场价格的需要。

28日早间，贵州茅台（600519，SH）亦发布公告称，为更好地统筹兼顾各种因素，公司自2018年起适当上调茅台酒的产品价格，平均上调幅度18%左右。此前，飞天茅台酒出厂价为819元/瓶。

对于茅台调整出厂价，一位与会的经销商对此并不感到奇怪，“不少其他白酒企业都已经上调了出厂价，作为龙头的茅台不涨的话，反而不正常了。”

李保芳“撂狠话”禁“炒酒”

伴随着业绩的提升，贵州茅台股价不断攀升。12月28日，在经销商大会召开的当天，茅台股价上涨8.21%，达到718.69元/股。

袁仁国称，截至2017年12月25日，贵州茅台的总市值达到了8644亿元，位居全球烈酒第一，较第二位帝亚吉欧总市值多427亿美元，是第三位保乐力加总市值的2.8倍。

谈及行业，袁仁国表示，2017年1~10月，全国规模以上白酒企业完成酿酒总产量1048.6万千升，同比增长5.6%；完成销售收入4834亿元，同比增长15.5%；实现利润总额827.6亿元，同比增长36.8%，增速较去年同期大幅度提升26.9个百分点，这是行业调整以来的最快增速。

“预计2017年全年，全国白酒行业产量将超过1400万千升，销售收入将超过7000亿元，利润总额将突破1000亿元。白酒行业将呈现产销稳增，效益提升、结构趋优、活力增强的的良好态势。”袁仁国说。

李保芳则更加乐观，其称随着消费升级的持续发酵，中高端白酒仍将保持“量效齐升”的趋势，茅台酒供不应求的态势不会减弱，供求关系将会更加紧张，更加显性，趋于表面化。明年乃至更长的时间内，茅台市场仍有很大空间，明年将力争实现销售收入800亿元以上。

据媒体报道，苹果公司日前公开承认限制旧款iPhone运行速度触犯众怒，在美国正面临8起集体诉讼。

目前美国iPhone旧款手机用户已在加州、纽约州和伊利诺伊州等地方法院请求进行集体诉讼，状告苹果公司欺骗消费者，在用户不知情情况下擅自降低旧款iPhone性能。

12月21日提交到旧金山法院的一份诉讼指出，“iPhone手机锂电池无法满足处理器速度的峰值电流要求，这本就是产品缺陷。苹果公司的做法意在掩盖这一缺陷。”据悉，该案原告代理律师是杰夫瑞·法西奥，他曾参与2013年的一起索赔诉讼案件，代表原告与苹果公司达成了5300万美元的和解协议。

据媒体预测，这几起诉讼金额可能会达到9990亿美元。若按目前苹果公司市值9000亿美元估算，9990亿美元甚至已经超过苹果市值。

波士顿大学教授罗瑞·范·罗认为，“如果诉讼内容属实，消费者一旦了解了苹果产品升级的本质，那么他们只需更换电池，而非购买新机。如此一来，苹果的行为或构成欺诈。”

不过，伯克利法律与技术中心主任克里斯·胡夫纳格尔却认为，这也许并非苹果公司的错，因为目前还未出台旧款产品消费者权益保护相关法规，产品退化以及功能禁用等仍属合理行为。

此外，在所有诉讼请求中，除要求赔偿金之外，部分原告请求法院禁止苹果公司在用户不知情情况下擅自限制苹果手机和苹果电脑运行速度。

上海大邦律师事务所律师游云庭认为，这个事情还是要看苹果到底有没有责任。一种情况是，电池正常老化，无法承受苹果新操作系统的需求，所以降低频率，保护电池使用时间，这是合理的；另一种情况是，电池问题是苹果的设计缺陷，或者生产缺陷，这种情况下不应该通过软件解决问题，而应该通过给消费者免费更换硬件解决问题；第三种情况是，苹果公司故意降低频率，让消费者更换其新出产的产品，这种情况就非常恶劣了。具体要看法院调查的情况来确定。

中国政法大学民法研究所副所长、民商经济法学院教授刘智慧指出，苹果公司在没有进行任何信息提示的情况下就在旧款手机上使用“人为减慢手机速度”的技术，哪怕其目的是为了避免手机电池老化而引起意外破坏性关机，也涉嫌侵犯用户的知情权。

游云庭也认为，即便是他所列的第一种情况，苹果也应该在升级时提示用户。

据苹果官网北京时间12月29日凌晨消息，苹果就电池问题进行道歉，将超过保修期的iPhone的电池替换费用从79美元下调至29美元。此前由于被指控未征得用户同意降低旧款iPhone性能，多名美国用户已经向苹果公司提起诉讼。

近日，有关苹果公司故意限制旧iPhone性能，以“逼迫”消费者购买新手机的讨论不断。当地时间20日，苹果公开表示的确限制了旧机型的性能。但目的不是网友所说的那样，而是为了防止旧机型因电池老化发生故障。

不过这纸公告没能平息用户的怒火，苹果公司遭到了多位用户的起诉，美国各联邦法院已受理8起类似集体诉讼。

此前据海外媒体报道，沃伦资本将明年一季度苹果iPhone X的销量预计从今年四季度的3000万台下调至2500万台。更有消息指出，有供应商传出苹果下调明年首季订单数量，降幅超出预期。

受此消息影响，苹果公司股价在本周二下跌2.54%，全球市场上的“苹果概念股”也同步下挫。不过，近两日股价又有所回升，周四苹果收涨0.28%，股价报171.08美元。

2017年6月，明晟公司（MSCI）宣布将A股纳入MSCI新兴市场指数（简称A股“入摩”）。对于中国内地资本市场来说，A股“入摩”标志着内地资本市场向国际化更进了一步，而且从实际意义来看，对A股市场将引入大量的境外资金。

对于内地的股市（A股及B股），境外资金其实一直都在关注中并且积极的参与，只不过沪、深港通的开通及A股“入摩”，激发了境外资金更大的关注和兴趣。事实上，2017年9月份境外机构和个人持有境内股票的金额就首次突破了万亿元人民币。

面对A股“入摩”，境外资金更多更快地流入内地股市已经成了众望所归的预期。

境外资金持续进入内地股市

我国内地的证券市场经过20多年发展，整体规模、功能都大大提高，已成为亚太地区最大同时也是最有活力的证券市场。

这一系列发展，敏锐的全球资金早就看在眼里。但是，相比一些成熟市场，A股仍然相对封闭，无论机构投资者占市场的比例，还是资金结构的多元化程度，都还相对较低。2003年，QFII（合格的境外机构投资者）制度的引入成为了中国资本市场逐步开放的重要节点。境外的投资者可以通过这一机制进行A股投资。随后RQFII（人民币合格境外投资者）制度的建立，进一步拓宽了境外资金进入A股的通道。

而在2014年开通的沪港通以及2016年开通的深港通则成为A股国际化的又一重大举措。事实上，2017年6月，明晟公司宣布A股“入摩”就提出以沪港通和深港通作为框架基础。

根据人民银行的数据，2017年1月份境外机构和个人持有境内人民币金融资产的股票金额达到了7002.11亿元人民币，同年9月份该数据就首次突破了万亿元，达到了10210.27亿元人民币。

A股“入摩”为境外资金的流入又加了一把火。国元资产管理（香港）有限公司投资经理王林峰告诉记者，A股“入摩”对境外资金进入A股自然是一个利好，不过这是一个更为长期的利好。香港第一上海证券首席策略分析师叶尚志也表示，A股正式“入摩”会在2018年年中，目前只是境外资金流入A股过程中的开头而已。而香港上市机构投资者惠理集团的观点也能代表很多境外资金的看法，惠理基金联席首席投资总监苏俊祺表示，“目前，不少海外投资者仍对中国市场有戒心，担心中国有经济硬着陆风险，故在中国的投资配置较少。但随着中国银行(3.950, 0.02, 0.51%)业不良负债减少、国内经济持续增长，加上中国在新兴市场的地位日渐重要，预计境外资金将更重视中国市场，长远可支持中国股票表现。”

三大内因助资金流向股市

境外资金的加入对A股是一大长期利好，不过内地自身的资金流向股市更是不可小觑。

根据中国证券登记结算有限公司的数据，2016年底投资者数为11811万户，到2017年10月底，该数据已经涨至了13179万户，增加了1368万户。

招商证券(17.010, 0.04, 0.24%)就表示，“2018年整体温和通胀、由于融资需求回落带来的流动性被动改善，因此宏观流动性对股票市场不存在压制的情况。从股市的资金面来看，我们认为，2018年A股存在四股增量资金力量。”

除了境外资金流向股市，招商证券认为2018年融资需求增速会明显回落，利率水平有望回落，如此以来，银行资产端压力可能会逐步显现。银行发行权益类理财产品的需求相对更大。此外，银行自身股权及其他投资也存在提升对权益类资产配置的可能。

在“房子是用来住的而不是用来炒的”大背景下，地产调控长效机制有望不断完善，如果政府对土地财政和基建投资和房地产稳增长的依赖降低，货币宽松的环境不再，那么未来一段时间，房价整体上涨的基础不存在。因此，目前房价呈现趋稳的状态，投资价值明显降低。近期，招商证券观察到绩优的公募基金发行明显放量，甚至出现配售的现象。私募基金在经历了整顿规模缩水后，2017年10月开始又重新回归正增长。

最后，中国保险保障类资金的绝对规模在稳定的持续扩大，按照一定比例投资股票市场，带来持续的增量资金。