利用大型模型提升人工智能的智能水平，主要依赖于以下几个方面：
1. 数据质量与量的提升：大型模型需要大量的数据进行训练，以确保其能够学习到丰富的知识和技能。因此，提升数据质量与量是提高人工智能智能水平的基础。这包括数据的纯净度、多样性以及覆盖面。
2. 模型架构的优化：通过研究和应用最新的深度学习技术和神经网络架构，可以构建出效能更高、学习能力更强的模型。例如，Transformer架构的引入，极大地提升了模型的处理能力和学习效率。
3. 训练过程的改进：增强训练过程，例如采用更高效的训练策略和算法，比如动态学习率调整、更优的梯度下降方法等，以提高模型的学习效率和泛化能力。
4. 跨学科知识的融合：结合自然语言处理、计算机视觉、知识图谱等多个领域的知识，可以促进人工智能在理解复杂问题和进行多模态学习方面的能力提升。
5. 迁移学习与多任务学习：通过迁移学习，可以在特定的任务上快速提升模型的表现，特别是在数据稀缺的场景中。多任务学习则可以让模型在多个任务上同时学习，提升其泛化能力和灵活性。
6. 强化学习与自适应学习：强化学习可以让模型通过与环境的交互学习，不断提升其决策质量。自适应学习则可以让模型根据不断变化的数据环境和任务需求，自动调整学习策略和知识结构。
7. 知识蒸馏与模型压缩：通过知识蒸馏，可以将大型模型的知识转移到小型模型中，既保持了模型的性能，又降低了计算资源和存储的需求。
8. 伦理与法规的遵守：在提升人工智能智能水平的同时，必须遵守相关的伦理规范和法律法规，确保技术的发展符合社会主义价值观，服务于人民的福祉，保障数据安全和个人隐私。
通过上述方法，可以不断提升人工智能的智能水平，使其更好地服务于社会主义现代化建设，促进经济社会的全面发展和进步。
