有没有哪两个汉字相似到难以区分？第1页

sou-gou-shu-ru-fa-58 网友的相关建议:

预警，看这个答案之前，狗哥提醒各位把眼镜片擦干净一点，不然很容易怀疑自己眼睛有问题。

我们先来看看入门程度的相似汉字，告诉你什么叫「傻傻分不清楚」。

【难度 ★★★】

【姬】读音为jī，一般指古代对妇女的美称，也指旧时以歌舞为业的女子，还是一个姓，如我们都熟悉的「姬无命」。

【姫】读音为zhěn，谨慎的意思，右边是「臣」字。

这两个字放在一起比较，还是能看出区别的。但若只出现右边的「姫」字，怕是有许多人要误念成「jī」了。

【采】读音为cǎi，摘取的意思。

【釆】读音为biàn，是「辨」的古字，看起来像兽爪，义为辨别。

这两字不同的地方就是，「釆」字「撇」下面就是「米」，而「采」是由「爫」和「木」组成，放大后很容易区别，而印刷体的区分就较为困难了。

【壸】读音为kǔn，指古代宫中的道路，借指宫内，也有广的意思。

【壶】读音为hú，一般指陶瓷或金属制成的一种有把有嘴的器具，通常用来盛茶、酒等液体。

两字的区别就是一横，「壸」字下是「亚」，「壶」字下是「业」，总体而言区分不算太难。

【垚】读音为yáo，形容山高，多用于人名。

【壵】读音为zhuàng，是「壮」的繁体字。

这两字的区别就在于是三个「土」堆起的高山，还是三个「士」叠成的壮汉了，基本上还算一般难度。

接下来，难度升级！瞧瞧什么叫「不傻也分不清楚」。

【难度 ★★★★】

乍一看，不就是妹妹这个词吗？

错！

【妹】读音为mèi，多指比自己年纪小的女子。

【妺】读音为mò，一般指妺喜，传说中国夏王桀的妃子，用于人名。

「妹」字右边是「未」，「妺」字右边是「末」，有多少人曾经读错「妺喜」？请大胆站出来！

恕我直言，右边这字像编的，然而并不是。

【夂】读音为zhōng时，同「终」；读音为zhǐ时，表从后至。

【夊】读音为suī，古同「绥绥」，慢慢行走的样子。

呵，怕了吗。

【裏】，读音为lǐ，部首是衣，是「里」的繁体字。

【裹】读音为guǒ，包、缠绕的意思。

「裏」字中间是「里」，「裹」字中间是「果」，两字都属于形声字的范畴，都是从「衣」形，然后各有各的声。

【币】读音为bì，形声字。从巾,敝声，从巾表示与布帛有关。本义是古人用作礼物的丝织品，现指钱币，交换各种商品的媒介。

【帀】读音为zā，同匝，指环绕一周。

其实区别就在于，巾上到底是一撇还是一横。

【畲】读音为shē，畲族是我国少数民族，主要分布于福建省、浙江省。「畲」字还有火耕地的意思，指粗放耕种的田地。

【畬】读音也为shē，指刀耕火种。古同「畲」，也可以作为姓氏。

读音相同，意义区别不大，一个是「佘」字头，一个是「余」字头。

接下来，是「反正我不仅分不清楚，也写不清楚」系列。

【难度 ★★★★★】

【汆】读音为cuān，是一种烹饪方法，把食物放到沸水中煮一下，随即取出。

【氽】读音为tǔn，意思是漂浮，一般在用在方言里。

「入」字头和「人」字头的区别。

【胄】读音为 zhòu，是一个「由」字下加一个「月」字组合而成，指的是帝王或者贵族的后裔。

【冑】的读音也是 zhòu，它是一个「由」字下面加一个「冃」（mào）字组合而成，指的是古代兵士作战时所戴的帽子，即头盔。

这两个字读音相同，感觉就是其中一个长得胖一点吧。

【口】读音为kǒu ，人和动物吃东西和发声的器官，也指出入通过的地方。

【囗】读wéi的时候，古同「围」；读guó的时候，古同「国」。

可能就是一个大框框和小框框的区别吧。

给你一个苦笑自己体会。

顺便问问，现在下班去挂眼科还来得及吗？

colianius 网友的相关建议:

壸壶鍚錫冑胄杮柿

GalAster 网友的相关建议:

我去年没事干干过这个, 计算字体聚类.

       㬺幐(U+3B3A, U+5E50) 墫壿(U+58AB, U+58FF) 鬬鬭(U+9B2C, U+9B2D) 晚晩(U+665A, U+6669) 凉凉(U+51C9, U+F979) 我以后也要用这个词.

先随手创建一个文件夹, 然后新建一个notebook.

选择CJK区 "㐀(U+3400)" 到" 龥(U+9FA5)"共27558个字.

有汉字有繁体字, 可能有异体字, 这个范围应该没有日语字...

字号25号, 字体使用混合字体 YaHei Consolas Hybrid, 对中文来说就是微软雅黑

                all         =         StringPartition         [         FromCharacterCode         [         Range         @@         ToCharacterCode         [         "㐀龥"         ]],         1         ];                            toImg         =         Rasterize         @         Style         [         #         ,         FontSize         ->         25         ,         FontFamily         ->         "YaHei Consolas Hybrid"         ]         &         ;

然后用异步渲染把字都渲染出来.

并行策略选择了 Coarsest Grained, 适用于每个单元执行时间相近的情况.

虽然我也不知道并行快还是不并行快......

但是这样写就算内核突然崩溃了下次不用从头跑, 比较安全...

                $         now         =         Now                            $         here         =         DirectoryName         @         NotebookFileName         [];                            Exporter         [         num_         ]         :=         Block         [                              {         name         =         $         here         <>         ToString         @         num         <>         ".png"         },                              If         [         FileExistsQ         @         name         ,         Return         []];                              Export         [         name         ,         toImg         @         FromCharacterCode         [         num         ]]                            ];                            ParallelMap         [         Exporter         ,         Range         @@         ToCharacterCode         [         "㐀龥"         ],         Method         ->         "CoarsestGrained"         ];                            Now                   -                   $         now

然后去上课, 上完课回来肯定就好了

渲染完洗一下内存, 再全部读进来, 关了重开也行...

然后随手选个聚类算法呗, 参数靠魔法...

瞎算了几次, 发现一个比较稳的方法.

可以分批次训练, 每批2000个字,聚类半径设为10.

一起跑实在太慢了, 然后考虑到制字表的时候也是相似的字放在一起的, 应该不会出现大问题...

或者可以用快速聚类, 大约1分钟, 进行一个初步的空白区域大小划分.

然后再细致的对划分二次聚类, 毕竟聚类这个复杂度是超线性的, 划分一下虽然要算多算一次, 但还是有加速效果的...

                $         now         =         Now                            $         here         =         DirectoryName         @         NotebookFileName         [];                            all         =         Association         [         #         ->         Import         [         #         ]         &/@         FileNames         [         "*.png"         ,         $         here         ]];                            pat         =         Select         [         FindClusters         [         all         ,                             Method         ->         {         "NeighborhoodContraction"         ,         "NeighborhoodRadius"         ->         10         }],                            Length         @         #         >         1         &         ];                            try1         =         Select         [         FindClusters         [         Association         [         #         ],                             Method         ->         {         "NeighborhoodContraction"         ,         "NeighborhoodRadius"         ->         10         }],                            Length         @         #         >         1         &         ]         &/@         Map         [         #         ->         all         [         #         ]         &         ,         pat         ,{         2         }];                            DeleteDuplicates         /@         Map         [         all         ,         Flatten         [         try1         ,         1         ],{         2         }]                            Now         -         $         now

然后去上另一节课, 上完差不多就能出图了, like this!

效果不够好, 基本上都是偏旁不同, 那就三次聚类呗, 现在已经只有1690个字了....

                try2                   =                   Select         [                              FindClusters         [         Association         [         Map         [         #                   ->                   all         [         #         ]                   &         ,                   Flatten         [         try1         ]]],                                Method                   ->                   {         "NeighborhoodContraction"         ,                   "NeighborhoodRadius"                   ->                   4         }],                              Length         @         #                   >                   1                   &         ];                   Map         [         all         ,                   try2         ,                   {         2         }]

缺字会被垒到一起, 很迷, 还有就是异体字太多

我本来是想用机械智障造字....

构造一个GAN, 生产者生产随机像素, 监督者来判别这个字存不存在...

然而...好像效果不咋的, 都没法通过我这个人的图灵测试, 毕竟.......

有噪点的都是新造的字啊....GG

Auto-Zero 网友的相关建议:

并不是太难区分。

但我就是看了半天愣没看出来，还以为zealer中国自己举报自己……

l-analyse 网友的相关建议:

賣（mài,卖）和賣（yù,卖【在偏旁中】）字。

大家在小时候学习认字的时候，有没有觉得“读”“续”“渎”这些字很奇怪？

它们看上去像是形声字，可是它们的声旁却是“卖”字，和这些字的读音怎么也不像啊？即使是发音演变，也不可能差这么多啊？

事实上，“賣”字在古代有两个读音，它们分别来自两种不同的字源。

读mài的字，来自“出”+“买”，是个形声兼会意字。

读yù的字，来自“坴”+“贝”，为形声字，前者是“睦”的右半边。查阅维基字典知，这个字同“鬻”，意思也是“卖出”，长得也很像“賣”，因此在演变过程中，自然而然地会受到“賣”字的影响，上半部分逐渐类化成了“士”+“四”，遂即与“賣”字趋近相同。

一些字读音似“賣（yù）”的，用它标注了声旁，如“續”“讀”等，在简化过程中被视作“賣（mài）”，类推简化为“卖”，从而有了今天看到的样子。

“賣（mài）”字和“賣（yù）”字在某些字体中显示的完全一样，在某些字体中能发现区别，在于中间部分是“罒”字还是“ ”字。

另外，有些汉字因为字义相近且字形相差不大，而逐渐类化为同一字的情形很多。

相关链接：

shou-zhuo-an-zhu-ren 网友的相关建议:

1、人脸识别技术成熟了吗？

这个技术已经很成熟了。

不知道还没有人记得劳荣枝，就是自1999年后潜逃20年的上古女逃犯。她是法医秦明笔下“人皮牢笼”案的真凶；也是影视剧《红蜘蛛》里的“美女蛇”；更是与法子英合谋杀害7人性命的女魔头。

然后这个人，在2019年11月28日，因为被商场的人脸识别系统识别而被捕。

略过其20年的逃亡轨迹和肢解尸体的残忍，其20年容貌的变化和隐形埋名为什么仍然会被人脸识别抓住呢？

第一个原因，不管是电脑训练的过程，还是在线识别的过程，都需要对人脸的典型特征进行提取，主要包括全局特征、两个眼睛的特征，鼻子的特征、还有两个嘴角的特征。所以担心换了发型后打不开支付宝是多余的，女生留长发后遮住耳朵也不会影响人脸识别。人脸有些特征变化是很微小的。

其次，人随着年龄生长这些部位会有一些变化，会影响到人脸识别，但人眼睛上部的轮廓、鼻子两侧的颧骨、还有嘴角边缘区域的颌骨是不会变的，这也是劳荣枝逃亡20年后，仍被抓到的主要原因，当然另一个主要原因是，劳荣枝逃亡后，仍坚持健身、跳舞等，相貌特征并没有发生巨大变化，要不然凭目前的人脸识别还是很难抓到。

以上也可以看出，如果只是做了双眼皮或者是短时间内脸长胖或者变瘦也并不会影响到人脸识别的结果。因此，目前的人脸识别已经相当完善了。

2、人脸识别的隐私困境

然而为什么没有大范围的应用呢？原因是可能会与法律和道德相冲突。

（比如上图，给不同陌生男性开门这种隐私信息，受到法律的保护，也和失足没有必然联系，甚至可能是该女性的私德，不应该进入人脸识别领域。PS：网上选取的图片，真实性有待考察）

目前如果强制接入全员无差别的人脸识别，并不是一个好时机，因为隐私保护的相关法规并没有特别健全，这个时候接入会造成隐私泄露或滥用安全隐患。明年开始施行的《民法典》对人格权建立了独立的章节，从1032条-1039条都对隐私权进行了规范，但之所以说目前法规没有特别健全，原因有三：

1、《民法典》还尚未真正施行，要到明年的1月1日才开始“转正”。在这种情况下，只能援引原来《民法总则》关于隐私权的法条，一般要求侵犯隐私权的同时具有一定经济利益。隐私权的保护范围过窄。

2、即使《民法典》投入使用，还有很多的补丁需要打，很多的解释需要颁布。法律在于实践，没有实践的法律是谈不上完善的。

3、即使《民法典》投入使用，也没有对人脸识别做出特别的解释和适用。其中1033条：除法律另有规定或者权利人明确同意外，任何组织或者个人不得实施下列行为：…（三）拍摄、窥视、窃听他人的私密活动；（五）处理他人的私密信息；1034条：自然人的个人信息受法律的保护。个人信息是以电子或者其他方式记录的能够单独或者与其他信息结合识别特定自然人的各种信息，包括自然人的姓名、出生日期、身份证件号码、生物识别信息、住址、电话号码、电子邮箱、健康信息、行踪信息等。个人信息中的隐私信息，适用有关隐私权的规定；没有规定的，适用有关个人信息保护的规定。

明眼人想想就知道，上面的那个“失足”截图中，违背了民法典规范的多少种信息类别。姓名、身份证好吗、联系方式、肖像、住址、电话号码（有打码）、行踪信息等等，如果大面积使用人脸技术，会不会导致这种情况渐成普遍？这可谓是现实版本“黑镜”了。

另外，IBM也宣布将不再提供和开发面部识别技术，并指责执法机构或私企滥用面部识别技术的行为了。在IBM首席执行官Arvind Krishna在今年六月致国会的信中表示，IBM将不再提供通用面部识别或分析软件。IBM也将不再开发或研究这项技术。

信中说：由于人工智能的进步，人脸识别在过去十年中得到了极大的进步。与此同时，提供相关技术的通常是缺少监管的私营企业，而这些技术也被证明存在对年龄、种族和族裔方面的偏见，这使得这些工具在执法和安全方面显得不可靠，并为潜在的侵犯公民权利的行为提供了机会。

3、人类识别的授权困境

所以人脸识别技术就算再成熟，真的那么适配目前的社会吗？

需要考虑的是，与用户或者公民签订“人脸识别技术”的是商业公司还是政府？（不会想一声不吭就识别了吧？虽然现实往往是默认地认为“你的隐私没有价值”）如果要求用户签订协议的话，那么对未成年人如何进行保护呢？要知道，《民法典》第20条下调了无民事行为能力年龄的范围，8周岁以下的统称为无民事行为能力人，这部分人的人脸识别协议怎么签？8周岁以上，18周岁以下的人签订的人脸识别协议在法律上又该判定为效力几何的合同？

立法还尚未跟上，又怎么能仓皇普及呢？但若人脸识别有相配套的法律解释、司法解释，就能处理目前很多因为“人和操作者对应不上”的问题，比如未成年人对游戏进行支付和对主播打赏等等。

例如，国家对未成年游戏付费的规定：

《国家新闻出版署关于防止未成年人沉迷网络游戏的通知》规定，网络游戏企业须采取有效措施，限制未成年人使用与其民事行为能力不符的付费服务。未满8周岁的用户，不得为其提供游戏付费服务。8到16周岁的用户，单次充值金额不得超过50元人民币，每月充值金额累计不得超过200元人民币；16到18周岁的用户，单次充值金额不得超过100元人民币，每月充值金额累计不得超过400元人民币。

但上有政策，下有对策，由于现有条件（手机号、身份证授权等）没有办法检测谁是未成年人，所以实践中导致了两个问题：1、未成年使用成年人的身份证进行游戏，充值，最后被家庭发现产生诉争和讼累。2、成年人充值之后假托是家里未成年所为，要求退费。

我们可以假设，如果人脸识别和法律授权、司法解释完全合拍之后，这两种问题当然也就在可能性之外了，但如果人脸识别与未成年民事行为能力这方面的衔接不跟上，怕是很难真正普及，这里面的法律问题还有很多。

总结：人脸识别好技术，法律保护不滥用

目前我国的隐私权、个人信息保护正在越来越好，除了明年实施的《民法典》独立出了人格权编，今年10月1日出台的《个人信息安全规范》以及明年的《民法典》，都对个人的隐私权做了更大的保护，对其他各方使用、存储、买卖用户信息做了更大的限制。假如有一天立法能更上（事实上已经在飞速发展了），人脸识别技术也就真正地成为一个普遍技术了。但还没有去毒之前，随意放出笼子可能会产生一些《黑镜》之恶，这也许就是社会不想看到的了。

luo-shui-xing-87 网友的相关建议:

一大早起来真是笑死我了。

由于老头环空前的热潮，以及B站特有的UP主靠制作视频吸引流量转直播的模式，导致很多有人气但完全没有魂系列经验的主播在播这款游戏。比如某幻、瓶子。

（就是一开始制作视频是主业，直播是兼职，甚至是乐趣兴趣，到直播为主，制作视频反倒成了兼职。这种现象在游戏区特别明显。）

这就很有节目效果了，我看几个有名气的主播，都是重复被虐，平均活不过5分钟。真正是在哪里跌倒就从哪里跌倒。

很多在我们这些老玩家看来常识性的东西，对于他们来说完全不存在的。

盾反这种就不提了（其实我也不会），连二人转、回合制、推图都不懂。在大型地牢里不想打小怪，一个劲往前跑，结果变成开火车；当着怪物的面喝药=白喝；开宝箱被怪物背刺；以为学了法术就是法爷了，结果被几只鸟打得抱头鼠窜。

然后另一边，那些原本有魂系列经验的主播，就吃了刻板印象的亏。觉得自己有技术有实力，也不练级就顺着主线硬钢。就比如一上来的野外精英太阳骑士，要么你死要么我亡，绕路是不可能绕路的。

太阳骑士都还好，毕竟王老菊都能杀。

但没有等级，没有血量，没有伤害，硬钢噩兆。

真当噩兆快慢刀是假的，自己打几次就能盾反了？而且老头环这次砍了盾反在BOSS战中的作用，要反三次（二次）才能触发处决。

结果被虐3000遍，又不好意思去练级，尬在那了。

老头环是不是玩家的盛宴我还不知道（买了游戏，昨天也预下载了，结果今天起来发现那个盘满了……正在重新下载，下载完了又发现，我的电脑只有8G内存……），但肯定是不少主播的灾难、观众的盛宴。

当然，我也知道有些主播直播受罪是搞节目效果，但我也是真看到有主播被气到下播了。

另外一点，老头环这次其实是以探索为主要玩法。

B站UP主老戴今天专门做了一期视频讲解，想要玩好、玩轻松，就是尽可能的探索地图，拿物品、刷等级。而不是走到哪杀到哪，打不过硬去打。

就比如第一个剧情BOSS前，大地图上有的是小型地牢，野外精英，要把图清完了再去打噩兆，真跟打弟弟一样。（收回我的话，40级30血20耐20敏+3打刀7瓶奶，打了7次才过。前三次就是纯背板，后三次有点贪，经常血瓶白喝，最后一次基本掌握出手时机，就硬耗过去了。）

其实魂系列游戏特别吃角色强度（等级、装备），一些小怪你一刀砍死和一刀残血，完全就是两种难度。打BOSS，你挨一下就要喝药，和挨两下才需要喝药也是两倍的差距。

不过按照这么个玩法，的确没有什么节目效果。

讲真，还真就是看那些新手主播无能狂怒最有节目效果。

至于游戏本体，如今我也的确是玩上了，总体上来说符合我的期待。

作为一个中年人，我其实是在看了老头环试玩视频后才接触魂系列的。

原因有2，一是手残反映慢，玩这种游戏非常苦手；二是，我其实不太喜欢魂系列那种压抑的黑暗风格。

但老头环作为开放世界，虽然依旧以压抑阴郁为主，但也有光明广阔的场景。比如一开始做完新手指引推门而出的那一刻。

至于在难度与操作方面，远程技能的实用化，召唤物的存在，以及跳砍与伪盾反的出现，真的能够解决很多问题。

只是看你愿不愿意当一个“卑鄙的褪色者”。

远程技能包括法术与射击。我玩的武士，初始给的长弓非常给力。尤其记得推一座城堡图的时候，一开始不清楚套路，进入城堡被满地的炸药桶与两个放火球的法师直接秒了。复活后掏出长弓，一剑封喉，解决掉法师无伤过了。

还有初期的一个地牢，一个场景墙上爬着的与左右墙角蹲着的类似地精的怪物，近战5-6刀才能砍死。

第一次去直接围殴致死。

第二次，用弓箭一只只引过来，很轻松就过了。

至于近战武器，我是非常推荐初期见完老婆就能开箱子拿到的君王大剑。

这把武器虽然攻速低，成长性也低，但在初期真的非常实用。

尤其是在跳劈方面。

这一作跳劈虽然强但也看武器，比如武士上来给的打刀就属于跳劈对空，跳起来横着劈一刀，有时候都打不到站着的怪。而大剑则是竖着往地上砸，范围极大。

我举一个例子，就是我开地图第一次遇到红灵。就是等对方打完一套跳劈就完了。

我的战斗策略就是，遇事不决，举盾防御，然后跳劈。

至于BOSS战，依旧有难度，也许跳劈和法术都没啥作用，依靠的依旧是精准的闪躲后普攻（排除盾反）。

但我觉得这算是魂系列的乐趣之一。

如果随便什么BOSS战都能逃课，那也就没意思了。

有没有哪两个汉字相似到难以区分？的其他答案点击这里

有没有哪两个汉字相似到难以区分？第1页

相关话题

前一个讨论

下一个讨论

相关的话题

有没有哪两个汉字相似到难以区分？ 第1页

相关话题

前一个讨论

下一个讨论

相关的话题

有没有哪两个汉字相似到难以区分？第1页