A Google DeepMind bemutatta a GenCastot, egy AI-alapú időjárás-előrejelző modellt, amely felülmúlja a jelenlegi rendszereket. A Nature folyóiratban megjelent tanulmány szerint a GenCast a DeepMind második AI időjárási modellje a közelmúltból, követve a júliusi NeuralGCM-et, amely az AI-t fizikai alapú módszerekkel integrálta, kevesebb számítási teljesítményt igényelt, de hasonlóan teljesített a hagyományos előrejelzésekhez. A NeuralGCM-mel ellentétben a GenCast kizárólag AI-ra támaszkodik, hasonlóan ahhoz, ahogy a ChatGPT szöveget jósol, az előrejelzések és a tényleges időjárási adatok összehasonlításából tanult minták alapján valószínűsített időjárási körülményeket jósol. 40 évnyi, 1979-től 2018-ig terjedő adatokon képezték ki, és a jelenlegi legjobb Ensemble Forecast (ENS) modellt 2019 időjárásának előrejelzésében 97%-ban felülmúlta, különösen a szél és az extrém események, például a trópusi ciklonok terén. Ez növeli a szélerőművek hatékonyságát és a katasztrófa-tervezést. Más technológiai óriások is kihasználják az AI-t az időjárás-előrejelzésben. Az Nvidia 2022-ben megjelentette a FourCastNetet, és 2023-ban a Huawei piacra dobta a Pangu-Weather modellt, amely a determinisztikus előrejelzésekre összpontosít.

Ezzel szemben a GenCast valószínűségi előrejelzéseket nyújt, valószínűségi becsléseket kínálva, ami segít a különböző időjárási forgatókönyvek kiértékelésében a jobb tervezés érdekében. Bár forradalmi, a GenCast nem helyettesíti a hagyományos meteorológiát. Történeti adatokra támaszkodik, amelyek változó éghajlati körülmények között esetleg nem működnek megfelelően, és egy olyan adatkészletre, mint az ERA5, amely fizikai alapú modellekből származik. Számos légköri változó fizikai alapú becslést igényel, mivel ezek közvetlenül nem figyelhetők meg, ami folyamatos adatfrissítéseket tesz szükségessé. Ahogy Aaron Hill, az Oklahoma Egyetem munkatársa, és Ilan Price, a DeepMind munkatársa felhívta a figyelmet, a modell pontosságának időbeli fenntartásához elengedhetetlen a folyamatos adatbevitel. A jövőbeni tervek között szerepel a modellek közvetlen megfigyelési adatokkal, például szél- vagy páratartalommal való tesztelése. A jelenlegi AI modellek kihívásokkal néznek szembe, mint például a felső troposzférikus körülmények vagy a ciklonok intenzitásának előrejelzése a korlátozott adatok miatt. A GenCast alkotói együttműködést képzelnek el meteorológusokkal az előrejelzések javítása érdekében, hangsúlyozva az emberi szakértelmet a különböző adatbevitelek integrálásában és megalapozott döntések meghozatalában.