第一，深度学习并不是新技术；第二，深度学习技术所涉及的“学习”与人类的学习并不是一回事，因为它不能真正“深度”地理解它所面对的信息。
深度学习不是新技术
从技术史角度看，深度学习技术的前身，其实就是在20世纪80年代就已经热闹过一阵子的“人工神经元网络”技术（也叫“连接主义”技术）。
该技术的实质，是用数学建模的办法建造出一个简易的人工神经元网络结构，而一个典型的此类结构一般包括三层：输入单元层、中间单元层与输出单元层。输入单元层从外界获得信息之后，根据每个单元内置的汇聚算法与激发函数，“决定”是否要向中间单元层发送进一步的数据信息，其过程正如人类神经元在接收别的神经元送来的电脉冲之后，能根据自身细胞核内电势位的变化来“决定”是否要向另外的神经元递送电脉冲。
需要注意的是，无论整个系统所执行的整体任务是关于图像识别还是自然语言处理，仅仅从系统中单个计算单元自身的运作状态出发，观察者是无从知道相关整体任务的性质的。毋宁说，整个系统其实是以“化整为零”的方式，将宏观层面上的识别任务分解为了系统组成构件之间的微观信息传递活动，并通过这些微观信息传递活动所体现出来的大趋势，来模拟人类心智在符号层面上所进行的信息处理进程。
工程师调整系统的微观信息传递活动之趋势的基本方法如下：先是让系统对输入信息进行随机处理，然后将处理结果与理想处理结果进行比对。若二者吻合度不佳，则系统触发自带的“反向传播算法”来调整系统内各个计算单元之间的联系权重，使得系统给出的输出与前一次输出不同。两个单元之间的联系权重越大，二者之间就越可能发生“共激发”现象，反之亦然。然后，系统再次比对实际输出与理想输出，如果二者吻合度依然不佳，则系统再次启动反向传播算法，直至实际输出与理想输出彼此吻合为止。
完成此番训练过程的系统，除了能够对训练样本进行准确的语义归类之外，一般也能对那些与训练样本比较接近的输入信息进行相对准确的语义归类。譬如，如果一个系统已被训练得能够识别既有相片库里的哪些相片是张三的脸，那么，即使是一张从未进入相片库的新的张三照片，也能够被系统迅速识别为张三的脸。
美国建设国家网络靶场的经验引起西方各国的高度重视，随后，日本、加拿大等西方各国都借鉴美国建设网络靶场的经验，相继建立了自己的网络靶场，欧洲防务署也专门批准了网络攻防测试靶场的建设计划，以加强国家网络战力量建设。 可以说，网络靶场，已成为网络强国的基础标配。在美国的带领下，各军事强国都已经紧随其后在网络战的筹备中加注筹码，力争在未来的新战场中抢占一席之地。
网络空间形势日趋严峻，网络靶场成大国重器
进入日益复杂和庞大的网络互联时代，任何领域与行业都无法在泛滥的网络攻击下幸免，对关系国计民生的关键基础设施运营单位、大型公共服务行业，关系国家与社会稳定的军队而言，安全建设尤为重要。
- 首先，对关键基础设施运营单位而言，大国博弈背景下安全形势愈演愈烈，网络攻击目标正在从个人向关键基础设施运营单位倾斜。而关键基础设施单位往往关系国计民生，其重要设备需要再正式投入使用对其性能与安全进行权威测评，否则一旦遭到黑客攻击，将会为整个社会造成巨大损失，为社会稳定带来严重威胁。因此，关键基础设施运营单位亟需一个仿真的实验环境对其进行完整的测试评估。
- 其次，当下缺少真实的综合演练环境有待补充。就军队、公安等行业来看，目前成体系的、规范的网络仿真训练系统仍需加紧建设步伐，这些问题制约了网络作战模拟训练水平和实战能力的提升;而对金融行业、大型互联网厂商等单位而言，当下传统的信息安全知识竞赛也难以提升企业的安全运维和应急响应能力。
- 最后，当下还缺少有效的综合测评环境的支持。一方面，传统的网络安全工具及设备，通常只能在固化的场景中使用自制测试脚本或者测试仪表进行测试。存在场景单一，模式化严重，无法检测出面对实际威胁的能力，无法检测在真实网络环境中的攻击能力等问题。另一方面，从攻击和防御所需的工具与设备来看，仍需要综合测评环境对其进行充分的检验。
