随着互联网的迅猛发展和各种传感器技术的普及，产生的数据量不断庞大，为深度学习提供了充足的训练样本和学习数据。近年来，随着硬件的发展，如GPU和TPU等特定的硬件加速器，为深度学习提供了强大的计算支持。对于很多行业来说，深度学习可以提供高效、准确的解决方案，从而改变传统行业的模式和方式。综上所述，大数据、强大的计算能力、算法创新、开放共享和应用需求是驱动深度学习人工智能发展的核心驱动力。
深度学习人工智能的核心驱动力可以归结为以下几点：
1. 大数据：深度学习需要海量的数据进行训练和学习，这就需要大数据的支持。随着互联网的迅猛发展和各种传感器技术的普及，产生的数据量不断庞大，为深度学习提供了充足的训练样本和学习数据。
2. 强大的计算能力：深度学习的训练涉及到大量的矩阵运算和模型优化，需要高性能的计算能力来处理复杂的运算和模型训练任务。近年来，随着硬件的发展，如GPU和TPU等特定的硬件加速器，为深度学习提供了强大的计算支持。
3. 算法创新：深度学习的发展离不开算法创新，特别是卷积神经网络（CNN）和循环神经网络（RNN）等算法的提出和优化。这些算法的发展推动了深度学习在图像识别、语音识别、自然语言处理等任务上的突破。
4. 开放共享：在深度学习领域，许多研究者和公司都愿意开放共享他们的数据集、模型和代码，这促进了知识的传播和技术的发展。例如，开源的深度学习框架如TensorFlow和PyTorch等，为广大研究者和开发者提供了便捷的工具和平台，加速了深度学习人工智能的发展。
5. 应用需求：深度学习人工智能在各个领域的广泛应用需求也是推动其发展的重要驱动力。对于很多行业来说，深度学习可以提供高效、准确的解决方案，从而改变传统行业的模式和方式。
综上所述，大数据、强大的计算能力、算法创新、开放共享和应用需求是驱动深度学习人工智能发展的核心驱动力。