L’intelligenza artificiale (AI) ha cambiato radicalmente il panorama della scienza, dell’industria, della difesa e della medicina negli ultimi anni. Supportato da una potenza di calcolo considerevolmente aumentata e dal cloud storage, il campo dell’IA si è spostato da studi prevalentemente teorici nella disciplina dell’informatica a diverse applicazioni della vita reale come la progettazione di farmaci, la scoperta di materiali, il riconoscimento vocale, le auto a guida autonoma, la pubblicità, la finanza, l’imaging medico e l’osservazione astronomica, dove i risultati prodotti dall’IA hanno dimostrato di essere paragonabili o addirittura superiori alle prestazioni degli esperti umani. In queste applicazioni, ciò che è essenzialmente importante per lo sviluppo dell’IA sono i dati necessari per l’apprendimento automatico. Nonostante la sua importanza preminente, il primissimo processo dello sviluppo dell’IA, cioè la raccolta e la preparazione dei dati, è tipicamente il compito più laborioso ed è spesso un fattore limitante della costruzione di algoritmi di IA funzionali. La tecnologia Lab-on-a-chip, in particolare la microfluidica, è una potente piattaforma sia per la costruzione che per l’implementazione dell’IA su larga scala, economica, ad alta produttività, automatizzata e multiplexata, superando così il collo di bottiglia di cui sopra. Su questa piattaforma, l’imaging ad alta produttività è uno strumento critico in quanto può generare informazioni ad alto contenuto (ad esempio, dimensioni, forma, struttura, composizione, interazione) di oggetti su larga scala. L’imaging ad alta produttività può anche essere accoppiato con l’ordinamento e il sequenziamento del DNA/RNA per condurre un’indagine massiccia delle relazioni fenotipo-genotipo i cui dati sono troppo complessi da analizzare con gli strumenti di calcolo tradizionali, ma sono analizzabili con la potenza dell’IA. Oltre alla sua funzione di fornitore di dati, la tecnologia lab-on-a-chip può anche essere impiegata per implementare l’IA sviluppata per un’accurata identificazione, caratterizzazione, classificazione e previsione di oggetti in campioni misti, eterogenei o sconosciuti. In questo articolo di revisione, motivato dall’eccellente sinergia tra l’IA e la tecnologia lab-on-a-chip, delineiamo gli elementi fondamentali, i recenti progressi, le sfide future e le opportunità emergenti dell’IA con la tecnologia lab-on-a-chip o “AI on a chip” in breve.