Kunstig intelligens (AI) har dramatisk ændret landskabet inden for videnskab, industri, forsvar og medicin i de sidste mange år. Med støtte fra betydeligt øget computerkraft og cloud-lagring har AI-området skiftet fra overvejende teoretiske studier inden for datalogi til forskellige anvendelser i det virkelige liv såsom lægemiddeldesign, materialeopdagelse, talegenkendelse, selvkørende biler, reklame, finans, medicinsk billeddannelse og astronomisk observation, hvor AI-producerede resultater har vist sig at være sammenlignelige eller endog bedre end menneskelige eksperters præstationer. I disse applikationer er de data, der er nødvendige for maskinindlæring, af afgørende betydning for udviklingen af AI. På trods af dens fremtrædende betydning er den allerførste proces i AI-udviklingen, nemlig dataindsamling og datapræparation, typisk den mest besværlige opgave og er ofte en begrænsende faktor i forbindelse med konstruktionen af funktionelle AI-algoritmer. Lab-on-a-chip-teknologien, navnlig mikrofluidik, er en kraftfuld platform til både konstruktion og implementering af AI i stor skala, omkostningseffektivt, med høj gennemløbskapacitet, automatiseret og multiplexet, hvorved ovennævnte flaskehals overvindes. På denne platform er billeddannelse med højt gennemløb et afgørende værktøj, da det kan generere information med et højt indhold (f.eks. størrelse, form, struktur, sammensætning, interaktion) af objekter i stor skala. High-throughput billeddannelse kan også kombineres med sortering og DNA/RNA-sekventering for at foretage en massiv undersøgelse af fænotype-genotype-relationer, hvis data er for komplekse til at analysere med traditionelle beregningsværktøjer, men som kan analyseres med AI’s kraft. Ud over sin funktion som dataleverandør kan lab-on-a-chip-teknologien også anvendes til at implementere den udviklede AI til præcis identifikation, karakterisering, klassificering og forudsigelse af objekter i blandede, heterogene eller ukendte prøver. I denne oversigtsartikel, der er motiveret af den fremragende synergi mellem AI og lab-on-a-chip-teknologi, skitserer vi grundlæggende elementer, nylige fremskridt, fremtidige udfordringer og nye muligheder for AI med lab-on-a-chip-teknologi eller forkortet “AI on a chip”.