1樓：
壓力不會小，只是對乙個很窄的領域會有資料處理上的幫助。
我個人的理解：力學是清晰的分析各個受力條件，找到滿足條件的乙個解，設計出相應的東西。
AI是用軟體模型自動訓練出這個結果，不需要非常詳盡的分析。分析僅在資料處理和特徵工程階段，具體的訓練方法：調參、損失函式，優化器等，並不會有多大的忙。
最後，建議答主先自己去了解下到底什麼是人工智慧（各種資料不要太多），再更好的針對內容提問。
2樓：
水木乙個物理「老」博士的原話：
差不多一樣老，看了那個帖子，然後跟風學了學機器學習/深度學習。幾點體會如下：
1）向量、矩陣運算：就一點規則，只要掌握了，反向傳播就能算了。如果你樂意，簡單的gru、lstm都能手算。
2）優化：對學物理的來講，從作用量出發，通過變分法求運動方程，不就是優化嘛。SVM演算法稍微複雜一點，相當於約束系統。
約束系統求運動方程，或者約束系統量子化，拉格朗日乘子法是標準流程。忘了就複習複習玻色弦量子化第一章。
3）gradient descent方法：計算物理就用這個，本科生課程。我記得還學過shooting method，就記住個名字，似乎在機器學習裡沒見到。
4）統計學：數理統計足矣。
5）資訊理論：統計物理裡面涉及一點，夠用了。研究過黑洞、量子資訊的，對資訊理論肯定不陌生。
涉及資訊理論的演算法，決策樹information gain，feature selection裡的mutual information，cross entropy loss都可理解。
6）涉及高維Gaussian方程的演算法，如Gaussian discriminant、factor analysis，這些看似繁瑣的計算，在量子力學/量子場論裡面都有最基本應用。忘了就回去翻翻path integral。
7）Markov decision process，有狀態，有action，量子力學裡面不就這兩樣。量子態構成Hilbert空間，力學量對應算符，算符作用在態上得到另乙個態。甚至兩種優化方法，跟薛丁格繪景、海森堡繪景還對應起來了，是不是很神奇。
8）程式設計：學物理的，有誰不知道譚浩強。研究生基本都用過matlab、mathematica、maple中的一兩樣吧。
python拿來就寫，因為用不到高深的python技巧。tensorflow會用了，也不用反向傳播了，optimize.minimize(loss)就夠了。
9）計算圖，跟費曼圖算散射振幅是不是也很相似？其實就是用來輔助計算的。什麼是tensor？
看看愛因斯坦方程，各種帶指標的，Riemann tensor四個指標。tensorflow裡，batch、step、input vector，三個指標就差不多夠用了。
10）如果只看深度學習，神經網路那套，跟形形色色的機器學習演算法比起來，要簡單很多。
總結一下：機器學習/深度學習的學習，不需要高深的數學知識，所以不要望而生畏。
就我感覺，計算力學中，主要問題是：維度（力學的維度比較小）、時間序列、運算的抽象（從計算機程式語言設計的角度來說，session、佔位符等）、啟發式。數值分析、凸優化、矩陣論、隨機過程、數理方程等，研究生應該都開過課程的。
不對之處，敬請指正。
如果沒有我，男朋友的壓力會小一些嗎
乙隻豬 我經常會覺得我妨礙了男朋友的發展，因為我是乙個比較浪的人，可能在這個地方待一段時間，又去那個地方待一段時間，他就跟著我跑。然後他可能會為了我推掉一些應酬，為了我不加班之類的，就是想多陪陪我。他以前也是想過那種浪的生活，但是遇到我之後就想著要給我穩定的生活。我就覺得跟我在一起之後他丟了一些最初...
高鐵售票是不是有一些套路？
lxy 所有的車票都是乙個套路。始發站要預留大部分車票，中途站預留小部分車票，但是放票多少是根據以往的客流量來決定的。如果始發站在列車開行前幾天還有餘票，那麼將所有的餘票全部開放，也就是每個站都能買到。這就是為什麼開車前幾天能搶到車票的原因。 yu bill 還有一些跟長短途沒有絕對關係，是因為某些...
德雲社一些青年相聲演員是不是過譽了？
musa 一定是是的。平時看專場，燒餅說的是些神馬玩意。小劇場說 金蘭譜 下邊都快笑瘋了。張鶴倫，電視上除了小黑胖子就沒別的詞，鬥笑社也算穩定發揮。鬥笑社，玲瓏一輪遊。扒馬褂，尚九熙災難現場。專場演出，張九南高九成節奏稀碎 KZedX 是。我一直認為堂良在真人騷之後，能上乙個台階，可是最近幾個大場的...