例如，由艾伦(Allen)人工智能研究所与政府机构，大学和行业合作伙伴合作创建的Covid-19开放研究数据集(CORD-19)，从13,000篇Covid-19学术论文开始。两个月后，它已经增长到超过128K的文章。一个主题的研究数据通常需要数年而不是数月的时间才能增长到如此之大。其他数据计划进行汇总和管理，创建更多的元数据。C3.ai数字转换研究所就是一个这样的例子，该研究所于2020年5月发布了Covid-19Data Lake v2。
由于注意力集中在从与Covid-19大流行相关的数据中提取知识，因此隐私成为首要任务。
除非有适当的控制措施，否则联系人跟踪是一个领域，在这一领域中，数据隐私的竞争优先级可能与对个人数据的需求相矛盾。考虑一下去中心化联系人跟踪应用程序DP-3T的最新试点发布。它被称为“ SwissCovid”，是第一个使用Google和Apple API的联系人跟踪应用程序。它在瑞士开始了针对选定团体的试点测试，其中包括瑞士军和医护人员。
开发人员以几种方式面对隐私问题。该应用程序使用加密的蓝牙技术，该技术允许智能手机彼此匿名通信。然后，社交联系信息存储在单个设备上，而不是外部服务器上，以防止广泛的黑客入侵。如果某人的Covid-19测试呈阳性，则前几天与他们密切联系的人会收到有关隔离和测试信息的警报。
并非所有用户都相信这些措施已走得足够远，并且一些国家(如英国)已在担忧中致力于开发自己的解决方案。但是，无论哪种情况，个人都无法监视通知因社交接触而有风险签约Covid的人的过程–该过程必须是机密的，并且必须在数亿用户的范围内实现自动化。这里也需要AI，不仅要处理数字，还要处理可行的机密警报。
线束AI
压倒性的数据和创建隐私保护系统通常会使研究变慢。但是，人工智能具有“快速”数据挖掘计算能力，并且仅具有机器或授权人员才能“查看”机密数据(如目前通过健康记录所获得的功能)可以使研究过程更加广泛和高效。OpenAI的网站指出，AI计算能力“以3.4个月的翻倍时间呈指数增长(相比之下，摩尔定律有2年的翻倍期)。”
专门用于对抗Covid-19的快速计算机功能的一个很好的例子是COVID-19高性能计算联盟(HPPC)。美国政府于2020年3月建立了HPPC。该工厂可访问483 petaflops的存储和500万个CPU内核，用于Covid-19研究。根据Covid-19 HPPC网站的说法，“研究人员科学家可以处理与生物信息学，流行病学和分子建模有关的大量计算，以在数小时或数天而不是数周或数月的时间内得出有关Covid-19的复杂科学问题的答案”。人工智能项目不需要依靠千万亿次运算能力，但可选项对于创新至关重要。