A mesterséges intelligencia (AI) az elmúlt években drámaian megváltoztatta a tudomány, az ipar, a védelem és az orvostudomány területét. A jelentősen megnövekedett számítási teljesítmény és a felhőalapú tárolás támogatásával a mesterséges intelligencia területe a számítástechnika tudományterületén végzett, többnyire elméleti tanulmányoktól olyan változatos valós alkalmazások felé mozdult el, mint a gyógyszertervezés, az anyagfelfedezés, a beszédfelismerés, az önvezető autók, a reklám, a pénzügy, az orvosi képalkotás és a csillagászati megfigyelés, ahol az AI által előállított eredmények bizonyítottan összehasonlíthatóak vagy akár felülmúlják az emberi szakértők teljesítményét. Ezekben az alkalmazásokban a mesterséges intelligencia fejlesztése szempontjából alapvetően fontosak a gépi tanuláshoz szükséges adatok. Kiemelkedő fontossága ellenére a mesterséges intelligencia fejlesztésének legelső folyamata, azaz az adatgyűjtés és adatelőkészítés jellemzően a legmunkaigényesebb feladat, és gyakran korlátozó tényezője a működőképes mesterséges intelligencia-algoritmusok létrehozásának. A Lab-on-a-chip technológia, különösen a mikrofluidika, hatékony platformot jelent mind az AI nagyszabású, költséghatékony, nagy áteresztőképességű, automatizált és multiplexelt módon történő felépítéséhez és megvalósításához, és ezáltal a fenti szűk keresztmetszet leküzdéséhez. Ezen a platformon a nagy áteresztőképességű képalkotás kritikus eszköz, mivel nagy léptékben képes nagy tartalmú információkat (pl. méret, alak, szerkezet, összetétel, kölcsönhatás) generálni az objektumokról. A nagy áteresztőképességű képalkotás szortírozással és DNS/RNS-szekvenálással is párosítható a fenotípus-genotípus kapcsolatok tömeges felmérése érdekében, amelyek adatai túl bonyolultak ahhoz, hogy hagyományos számítási eszközökkel elemezhetők legyenek, de a mesterséges intelligencia erejével elemezhetőek. Az adatszolgáltatói funkcióján túlmenően a lab-on-a-chip technológia arra is felhasználható, hogy a kifejlesztett AI-t vegyes, heterogén vagy ismeretlen mintákban lévő objektumok pontos azonosítására, jellemzésére, osztályozására és előrejelzésére alkalmazzuk. Ebben az áttekintő cikkben, amelyet a mesterséges intelligencia és a lab-on-a-chip technológia közötti kiváló szinergia motivál, felvázoljuk a lab-on-a-chip technológiával vagy röviden “AI on a chip”-el megvalósított mesterséges intelligencia alapvető elemeit, legújabb fejlesztéseit, jövőbeli kihívásait és új lehetőségeit.