戴维·达尔林普尔（David Dalrymple）：麻省理工学院媒体实验室研究员。
在两个先后发生的相关事件之间，因果关系的概念可以理解为信息流。“A是B的原因”听起来很笃定，实则不然。我完全可以更为清晰地描述为：“伴随着A发生这一信息，我有百分百的信心推断B将会发生。”这样就能排除A发生之后还有其他因素阻碍B因素发生的情况，但可能存在即使A不发生B也会由其他因素导致其发生的可能性。
简而言之，如果某一信息能从另一信息中推断计算出来，我们就可以说后者“设定”了前者。这一原则不止适用于单个特殊事件，也适用于符号变量（比如在网络中，你的搜索结果就是搜索引擎根据你的搜索词条设定的），数字变量（温度计上的准确数字是由温度传感器设定的），甚至是行为变量（计算机的运算是由其加载的字节设定的）。
让我们进一步来检验一下我们的假设。细心的读者可能已经发现我举的例子中有一个是网络，我假设网络的状态是一个常量，这其实很荒谬！在数学语境下，假设是“先验”的，在广泛传播的统计思想中，这被认为是信息处理中最为关键的部分。我们想知道的是，在既定的先在条件下，增加信息A能否改变我们对另一信息B出现的推断。当然这取决于先在条件，如果我们已经对B完全了解，这种推断就是没有必要的。
对于大多数合理的先在条件来说，如果A的信息能让我们对B进行推断，那么A、B之间就存在某种因果关系。但是因果关系的形式并不是清晰确定的，而只是常常被描述为“相关并不意味着因果”，原因在于因果关系的本质作为一种概念表现为：我们总是先获得前面事件的信息，再获得后面事件的信息（因果关系概念对于人类意识的全部意义、热力学第二定律和时间的本质都非常有趣，但是很遗憾无法在此一一论述）。
如果所有事件的信息都是按事件发生的顺序呈现的，那么相关就意味着因果。但在现实世界中，我们只能观察到已经发生的事件，而且我们对事件信息的了解可能是打乱顺序的。因此，我们观察到的相关很可能正好是相反的因果关系（比如，关于A的信息能推断出B的信息，尽管B发生在A的前面），甚至是更为复杂的情况（如：A的信息能让我们推断出B的信息，但同时我们也获得了关于C的信息，而C可能发生得比A、B或者两者都早）。
信息流是对称的：如果A的信息能让我们推断B，那么B的信息也可以用来推断A。但是，因为我们不能改变过去或预知未来，所以这些限制只有在当下的顺序中才能发挥作用。信息流总是从过去流向未来，但是在我们的思维中，一些信息流的箭头正好是相反的。解决这样的问题本质上正是科学的任务。如果你拥有看到一切信息流的能力并能掌握先在条件，那么强大的科学方法乃至更多的东西都会成为你信手拈来的认知工具。
