Tekoäly (AI) on muuttanut dramaattisesti tieteen, teollisuuden, puolustuksen ja lääketieteen maisemaa viime vuosina. Huomattavasti lisääntyneen laskentatehon ja pilvitallennustilojen tukemana tekoälyn ala on siirtynyt tietotekniikan tieteenalan enimmäkseen teoreettisista tutkimuksista erilaisiin tosielämän sovelluksiin, kuten lääkesuunnitteluun, materiaalien löytämiseen, puheentunnistukseen, itsestään ajaviin autoihin, mainontaan, rahoitukseen, lääketieteelliseen kuvantamiseen ja tähtitieteelliseen havainnointiin, joissa tekoälyn tuottamat tulokset ovat todistetusti vertailukelpoisia tai jopa ylivertaisia inhimillisiin asiantuntijoihin nähden. Näissä sovelluksissa tekoälyn kehittämisen kannalta olennaista on koneoppimiseen tarvittava data. Vaikka tekoälyn kehittämisen ensimmäinen prosessi, eli tietojen kerääminen ja valmistelu, on huomattavasta merkityksestään huolimatta tyypillisesti kaikkein työläin tehtävä ja usein toimivien tekoälyalgoritmien rakentamista rajoittava tekijä. Lab-on-a-chip-teknologia, erityisesti mikrofluidiikka, on tehokas alusta tekoälyn rakentamiseen ja toteuttamiseen laajamittaisesti, kustannustehokkaasti, suurella läpimenolla, automatisoidusti ja monipuolistetusti, jolloin edellä mainittu pullonkaula voidaan poistaa. Tällä alustalla korkean läpimenon kuvantaminen on kriittinen väline, koska sillä voidaan tuottaa suuressa mittakaavassa paljon sisältöä sisältävää tietoa (esim. koko, muoto, rakenne, koostumus, vuorovaikutus) kohteista. Suuren läpimenon kuvantaminen voidaan myös yhdistää lajitteluun ja DNA:n/RNA:n sekvensointiin, jotta voidaan tehdä massiivinen selvitys fenotyyppien ja genotyyppien välisistä suhteista, joiden tiedot ovat liian monimutkaisia analysoitaviksi perinteisillä laskennallisilla välineillä, mutta analysoitavissa tekoälyn avulla. Sen lisäksi, että lab-on-a-chip-tekniikkaa voidaan käyttää tietojen toimittajana, sitä voidaan käyttää myös kehitetyn tekoälyn toteuttamiseen kohteiden tarkkaa tunnistamista, karakterisointia, luokittelua ja ennustamista varten sekalaisissa, heterogeenisissä tai tuntemattomissa näytteissä. Tässä katsausartikkelissa, jonka motiivina on tekoälyn ja lab-on-a-chip-teknologian välinen erinomainen synergia, hahmotellaan tekoälyn perustekijöitä, viimeaikaisia edistysaskeleita, tulevia haasteita ja kehittyviä mahdollisuuksia lab-on-a-chip-teknologian tai lyhyesti sanottuna ”AI on a chip” -tekoälyn avulla.