Artificiell intelligens (AI) har dramatiskt förändrat landskapet inom vetenskap, industri, försvar och medicin under de senaste åren. Med stöd av avsevärt ökad beräkningskraft och molnlagring har AI-området förskjutits från mestadels teoretiska studier inom datavetenskap till olika tillämpningar i det verkliga livet, t.ex. läkemedelsdesign, materialupptäckt, taligenkänning, självkörande bilar, reklam, ekonomi, medicinsk avbildning och astronomiska observationer, där AI-producerade resultat har visat sig vara jämförbara eller till och med överlägsna mänskliga experters prestationer. I dessa tillämpningar är det som i huvudsak är viktigt för utvecklingen av artificiell intelligens de uppgifter som behövs för maskininlärning. Trots dess framträdande betydelse är den allra första processen i AI-utvecklingen, nämligen datainsamling och dataförberedelse, vanligtvis den mest mödosamma uppgiften och är ofta en begränsande faktor när det gäller att konstruera funktionella AI-algoritmer. Lab-on-a-chip-teknik, särskilt mikrofluidik, är en kraftfull plattform för både konstruktion och genomförande av AI i stor skala, kostnadseffektivt, med hög genomströmning, automatiserat och multiplexerat, vilket gör att ovanstående flaskhals övervinns. På denna plattform är avbildning med högt genomflöde ett viktigt verktyg eftersom det kan generera information med högt innehåll (t.ex. storlek, form, struktur, sammansättning, interaktion) om objekt i stor skala. Höggenomsnittsavbildning kan också kombineras med sortering och DNA/RNA-sekvensering för att genomföra en massiv undersökning av fenotyp-genotyprelationer vars data är för komplexa för att analyseras med traditionella beräkningsverktyg, men som kan analyseras med AI:s kraft. Förutom sin funktion som dataleverantör kan lab-on-a-chip-tekniken också användas för att implementera den utvecklade AI för noggrann identifiering, karakterisering, klassificering och förutsägelse av objekt i blandade, heterogena eller okända prover. I denna översiktsartikel, som motiveras av den utmärkta synergieffekten mellan AI och lab-on-a-chip-teknik, redogör vi för grundläggande element, aktuella framsteg, framtida utmaningar och nya möjligheter för AI med lab-on-a-chip-teknik eller förkortat ”AI on a chip”.