全息理论这是一个外来词，最早由加拿大物理学家大卫·博姆（David Bohm）于20世纪50年代发展而来。
但中国古代早就有一物一太极的概念，但描述上不太容易被现代人理解，因此在一般在术数的应用中，为了解释一些现象，通常引入全息性理论，并且在这种理论指导下进行一些实践操作。
例如人体对应什么疾病，有的人发明了掌上或是腹部按照八卦的方式进行全息针灸，然而像这类操作，其实在实践中效果却并不够理想，这是为什么？
这并不是说理论有问题，而是这种使用方式本身就有问题。
如果在网上翻查一般的全息理论介绍，都会说全息理论是指任何一个系统的微小部分都包含着整个系统的信息。
这其实有很大的误导性，因为真正的全息理论包含两个关键要点，即全息性与隐含秩序。
这里来分别解释一下两个概念：
全息性
宇宙和现实是一个不可分割、互相关联的整体，而不是由分离的部分组成的。根据全息理论，每个微小的部分都包含了整个系统的信息，因此宇宙中的一切都与其他一切相互联系。这意味着任何一个现象或事件都反映了整个宇宙的信息，因此我们可以从微观和宏观的层面来理解和解释现实。
隐含秩序
虽然宇宙看起来是混乱和随机的，但实际上存在着一种隐藏的秩序或结构。这种秩序可能不容易察觉，但它存在于现实的深层次中，决定了物质和现象的表现。通过深入研究这种隐含秩序，人们可以更好地理解和预测现实世界的现象。
这两个概念是彼此关联的，而不是能够切割开的，一旦分开，其实就成了绝对全息论，于是就会犯很多错误。
一般全息论体现的例子，可以用分形之类的概念来体现。
最简单的分形简单就是，复杂的图形可以用一个最简单的公式反复迭代而成。
比如海岸线的自相似性，比如雪花的自相似性等等。
海岸线的自相似性
三维空间中的分形
全息理论中，虽然主张每个微小的部分都包含了整个系统的信息。
然而，实际观察和实验显示，物质是离散的，由原子和分子组成，而且存在着极小的空间单位，例如普朗克长度，这表明空间在某种程度上是离散的。
从现代主流科学观点看，全息理论是有问题的。
因为如果全息理论的观点成立，每个微小的部分都包含了整个宇宙的信息，那么物质和空间本质上将是连续的，而不是离散的。
然而，我们观察到的现实中存在离散性，这与全息理论的观点相矛盾。物质的离散性和空间的有限性是传统科学观点的一部分，而全息理论的提出似乎与这些观点不一致。
同时，从物理学来说，它和量子力学还有统计力学的一些基本原则相冲突，而恰好这是现代物理学的支柱。
现代认为量子力学其核心特征之一是不确定性原理，不确定性原理表明，不能同时确定微粒的位置和动量，或者同时确定某些物理量的精确值。
但全息理论的观点可能与不确定性原理相冲突，因为它像是暗示了一种精确的信息和秩序。
然而物理学本身宏观与微观实际上也是没有统一的，所以只能说这种讨论只能姑且放置一边。
再从统计力学来说，全息理论也与它们相冲突，因为统计力学采用的是基于概率性和随机性的观点，使用概率分布函数来描述粒子的位置、速度和能量等微观参数，在涉及到微观粒子的随机运动和碰撞，这是与量子力学和热力学基本原理相一致的。
然而，全息理论可能暗示了一种更高程度的确定性，因为它认为信息包含在整个系统中，这可能与微观随机性的概念发生冲突。
当然这些冲突，却未必能反驳全息性概念的，因为全息性描述的恰好是它们缺失的部分。
全息性是理论，真正遇到的问题是，在现实世界除去前面所说分形特征明显的事物。
很多事物，实际上通过一般方式是很难提炼很难提取出这种自相似性。
比如我们可以借助在图片压缩技术中的实践来进行一个参考。
图片是由像素构成的，但是每个像素都描述的情况下，占用的存储空间太大，成本太高，所以必须要进行压缩。
而在图形的压缩算法中，就有分形压缩算法。
理论上如果可以真正实现分形算法，这是一个非常美妙的主意，然而在一般的自然图像中，几乎是不可能找到一个分形单元或极少数分形单元进行迭代展开。
因此只能找到多个具有自相似特征的部分然后进行进行局部的分形压缩，而分形块实在太多，导致压缩率很低下。
从理论上来看，绝对的全局全息理论并不存在的，因此不可能将一张图片压缩成一个像素大小还能够反映整张图片的信息。
但是，将图片分解成多个分形单元块去分部分进行迭代，这个是可行的。
因此可以得到第一个推论：
复杂的系统中，局部存在自相似性，因此可以将局性的信息通过更小的局性表达出来，但是这种表达是要通过一定的”转换”的。
在现实中，例如通过听诊的声音就可以判断心肺功能的疾病。
同时，自相似性也可能出现跨区域的局部相似，比如在图像中，比如一片树木挡住了河水中间，而在河水两头仍然是有相似性的。
又比如，一幅图像中，有圆形的太阳与月亮，它们虽不相同，但是轮廓是相似的。
如果留心到全息理论中，还有另外一个关键概念，就是隐含秩序，那么这个隐含秩序又是如何体现的？
例如，如果一个人患有严重的糖尿病，那么高糖会破坏眼部微循环，导致视网膜病变，反过来，通过观察视网膜的病变，可以判断出人患有糖尿病。
Google Health AI通过眼部照片筛查疾病，进行检测糖尿病视网膜病变以及高血脂也是这个道理。
但如果仅仅是这样理解就太浅了，前面说了，如果是单纯的一个局部区域可以由更小的局部区域通过单元块加上迭代公式运算出来。
显然会出现一个问题，不同的局部会有不同的单元块与迭代公式，这对于每一张图像来说都是专属的。
那么有没有一个公式，是所有的图像都能够共享的，或者说，有没有某种方式，然后根据提供的几个要点，便能够“自适应”地去求出每个局部的单位以及迭代规则？
如果将二次漫画人物看作一类图像，那么这一类图像是否有共同的生成规则参数？更进一步，如果不分类别，所有的图像放在一起，是否也能寻找出一个共同的参数出来？
事实上图像生成就是那么做的。
现在众所周知的扩散模型，在图像生成上具有相当不俗的表现，通过输入关键字就可以控制图像的生成，甚至可以直接在现有的图像上直接替换其中的人物、景观、物体等等。
这个之所以能办到，便是因为隐含秩序的存在。
因为图像生成与控制，虽然有很多种技术，但所有的技术都指出来一点，在图像背后有隐变量的存在，如果能够控制这个隐变量，便能够对图像的生成进行控制。
在扩散模型中，一开始图像的生成并不是突然直接生成的，而是一步一步，先由输入的关键字，生成一些关键的点，然后叠加到随机生成的高斯噪音背景上，然后一步一步进行去噪扩散的操作，最后就能生成出清晰的图片出来。
而这个过程中的关键控制就是马尓科夫链作为背后的秩序。
那么很容易就想到，既然是马尓科夫链，一步一步绘制图像，就如同在制作雕塑一样，一点一点精雕细琢。
然而，如果还是只想到这一层，依旧是不够的。
既然秩序本身存在，那么是否可以找到这种秩序，然后以更迅速的方便实现这个过程，减少一步一步的推导过程？
如果从传统的思路考虑，扩散模型采用数值方法对常微分方程进行迭代求解，虽然可以通过设计更加精确的求解器来改善每一步的求解精度，减少所需要的迭代次数，但是这些方法中最好的也仍然需要 10 步左右的迭代步数来得到足够好的求解结果。
简单来说，这是一个不断迭代的过程，理论上这个是绕不过去的。
但如果这实际上，压根就是不是一步一步迭代出来的，而是能直接一步到位的呢?
从数学上来说，如果采用潜在一致性模型，那么只需要常微分方程进行直接的单步求解，直接预测方程的最终解，从而在理论上能够在单步内生成图片。
那么这个怎么实现的，这里的思路非常巧妙。
首先要理解一下一般的扩散模型本质上的工作，如果有一个原始的数据，通过不断添加噪音，最后形成一个充满了噪音正态分布的数据（混沌数据），那么如果反过来，对噪音数据不断去噪音，就会得到原始的数据。
由于不断地添加噪音，是一步一步的过程，反过来，也自然得一步一步的去。
但是，由于这个世界并不是宽阔的，实际上所有的数据，准确说是人类可观察与认知到的数据是有限的，实际上这是一个很窄的范围。
也就是说，我们所认为“有意义的”,”可识别的”的一切可认知的东西，其实只是这个世界上极少的一部分，而世界无所在不在的混沌数据明显要比可认知的数据范围大得多。
因此便会产生一种可能，可以从给的正态分布的噪音数据，建立与原始数据的函数，那么只需要几步，甚至一步就可以得到原来的数据。
人类所能认知的事物只是其中极小一部分。
到这里可以发现一个有趣的事，这一切假设出来的，其实都是缺乏足够的证明，但这不重要，实践中效果却离奇地好。
这里如果联想到周易术数会更加地有趣，试想一下，一般术数上最难以理解的问题就是，为什么一个卦直接就能得到结果，而不是经过了层层的逻辑推演。
如果反过来想，其实所起的卦，例如六爻，通过随机获取一个数据后，这个数据其实只是一种“噪音”，中间其实是经历层层去噪然后还原出原始信息的。
但由于潜在一致性的存在，原始信息是怎么变成目标的混沌的数据的，这个过程无论有多复杂，都是一个生成的过程，而在推断过程中，这里其实完全可以抛开，只需要寻找到随机产生的数据，与原始数据也就是自然界中的真实情况，进行对应便可以一步到位拿到结果。
总之，全息性与隐含秩序两种都必须遵守，这才是完整的全息理论。