Google DeepMind on tutvustanud GenCasti, AI-il põhinevat ilmaprognoosi mudelit, mis ületab praegused süsteemid. Nature ajakirjas avaldatud artikkel kirjeldab GenCasti kui DeepMindi teist AI-il põhinevat ilmaprognoosi mudelit, järgides juulis esitletud NeuralGCM-i, mis ühendas AI füüsikaliste meetoditega ja nõudis vähem arvutusvõimsust, kuid töötas sarnaselt tavapäraste prognoosidega. Erinevalt NeuralGCM-ist tugineb GenCast ainult tehisintellektile, sarnaselt ChatGPT-le, ennustades tõenäolisi ilmaolusid õpitud mustrite abil, võrreldes prognoose tegeliku ilmateabega. See treeniti 40-aastase andmestikuga ajavahemikus 1979–2018 ja ületas praegu parimat ENS-i prognoosi, ennustades 2019. aasta ilma 97% täpsusega, eriti tuule ja ekstreemsete sündmuste, nagu troopilised tsüklonid, osas. See suurendab tuuleenergia efektiivsust ja katastroofide planeerimist. Teised tehnoloogiagigandid kasutavad samuti AI-d ilmaprognoosimiseks. Nvidia andis 2022. aastal välja FourCastNeti ning 2023.

aastal avalikustas Huawei oma Pangu-Weather mudeli, keskendudes deterministlikele prognoosidele. Vastupidiselt pakub GenCast tõenäosuslikke prognoose, pakkudes tõenäosushinnanguid, mis aitavad hinnata erinevaid ilmastsenaariume paremaks planeerimiseks. Kuigi GenCast on revolutsiooniline, ei asenda see traditsioonilist meteoroloogiat. See tugineb ajaloolistele andmetele, mis võivad muutuva kliimaolude korral ebaõnnestuda, ja sellisele andmestikule nagu ERA5, mis tuleneb füüsikalistest mudelitest. Paljud atmosfäärimuutujad vajavad füüsikalisi hinnanguid, kuna neid ei saa otseselt jälgida, mistõttu on vajalikud pidevad andmete uuendused. Nagu märgivad Aaron Hill Oklahomast ja Ilan Price DeepMindist, on mudeli täpsuse säilimiseks ajas kriitiliselt oluline järjepidev andmesisend. Tulevased plaanid hõlmavad mudelite testimist otsese vaatluse andmetega, näiteks tuule või niiskusega. Praegused AI mudelid seisavad silmitsi väljakutsetega, nagu trooposfääri ülemiste kihtide seisundite või tsüklonite intensiivsuse ennustamine piiratud andmete tõttu. GenCasti loojad näevad koostööd meteoroloogidega prognooside täiustamiseks, rõhutades inimteadmiste olulisust mitmesuguste andmesisendite integreerimisel ja teadlike otsuste tegemisel.