El sistema de predicción GenCast es una evolución del GraphCast desarrollado por Google Deep Mind utilizando técnicas de aprendizaje automático (ML, por el original en inglés machine learning) basadas en datos y en contraposición a los métodos numéricos tradicionales basados en las leyes de la física.  

En los últimos años grandes empresas tecnológicas, como es el caso Google, están avanzando en la calidad de las predicciones meteorológicas con sus respectivos modelos basados exclusivamente en aprendizaje automático hasta llegar a superar a la pericia del modelo IFS del ECMWF [Centro Europeo de Previsiones Meteorológicas a Plazo Medio, por sus siglas en inglés], que es la referencia de calidad en predicción a medio plazo. Hasta ahora los sistemas de predicción basados en aprendizaje automático se habían centrado en predicciones deterministas, pero en este artículo se informa de un paso más al desarrollar también predicciones probabilísticas basadas en un conjunto (ensemble) de predicciones a partir de datos iniciales ligeramente diferentes, que también es capaz de mejorar el sistema de predicción por conjuntos del ECMWF, a la vez que muestra una gran pericia en eventos meteorológicos extremos. 

Sin embargo, sistemas como el GenCast aquí descrito hacen uso del reanálisis obtenido por métodos tradicionales basados en leyes físicas, por lo que es todavía dependiente del modelo IFS del ECMWF, tanto para establecer las condiciones iniciales como para entrenar a los algoritmos de aprendizaje automático. GenCast es, además, muy eficiente desde el punto de vista computacional, por lo que se podría prever para el futuro no muy lejano un tipo de sistemas de asimilación y predicción híbridos. Estos sistemas se beneficiarían de las ventajas de ambos enfoques con modelos basados en ecuaciones físicas para verificar, entrenar y mejorar el sistema y modelos basados en datos para optimizar el cálculo de las predicciones e incrementar los recursos de la predicción por conjuntos.