随着感兴趣的研究者越来越多，人工智能开始细分为不同的领域，这意味着人们探索的范围开始变得更加广阔。从某种意义上来说，这一现象是大势所趋。在达特茅斯会议上，人们发现，就连为各自的新领域取一个大家都认同的名字都十分困难。约翰·麦卡锡力荐“闪光探测人工智能”，但却并不能令其他人信服。另一位名为亚瑟·塞缪尔（Arthur Samuel）的研究者认为这个名字听起来很“做作”，而艾伦·纽厄尔（Alan Newell）和赫伯特·西蒙则立即又将其作品重新命名为“复杂信息编程”。
人工智能很快就细分为不同专业，仅从1958年在英国密德萨斯的特丁顿国家物理实验室召开的“思维过程的机械化”会议就能看出这一点。达特茅斯会议召开仅仅两年后，人工智能就已经细分为多个领域，包括人工思维、字符和模式识别、学习、机器翻译、生物学、自动编程、产业规划和办公机械化。
接下来的一段时间成了传统人工智能的黄金时期。新的领域层出不穷，研究者们不断取得重要进展，思考的机器也呼之欲出。由于有美国国防部高级研究计划局（ARPA）等政府机构的资金支持，巨大的投资使研究没有受到什么干扰。1963年6月，国防部高级研究计划局为麻省理工学院提供了220万美元的拨款，用于研究“计算机辅助识别”。据拨款受益人称，国防部高级研究计划局采取一次性付款，之后也未太过关心这笔款项是如何使用的。而类似的事情不止一次发生。
约翰·麦卡锡将这一现象称为人工智能的“看！不用手也行！”时代，这一时代成功唤起了青少年的热情和勇气。在之后的十多年里，研究者们应对了众多挑战，并反驳了“没有机器能够做到X”这样一个假设。X所代表的含义取决于提问者是谁。一位研究者曾经编写了一套国际跳棋程序，该程序能够打败大多数业余选手，包括编程者自己。另一项突破是感知人工智能，它能够在一个使用机器人手的桌面上重新排列不同形状的彩色模块：这无疑是计算机视觉方面的一项壮举。一个名为SAINT的项目能够解开大学一年级课程水平的微积分中的积分问题。另一个名为ANALOGY的项目还能够解开智力测验中的几何问题，而STUDENT则能够破解复杂的代数难题，例如：“如果汤姆的客户数量是广告数量20%的平方，他一共做了45个广告，那么请问汤姆一共有多少个客户？”
计算推理领域有一个特别引人注目的例子，那就是Sir（语义信息检索）项目。Sir不仅能够理解英语句子，甚至能够分析宾语之间的关系，这和人工智能有些类似。实际上，这一“知识”依赖于预先设定的模板，例如，A是B的一部分，然后用名词来代替变量。然而，正如马文·明斯基所说的那样，人们可以采用类似的方法解决一系列其他问题。有一个有关Sir的典型案例，案例中未加粗的句子为用户输入的文本，加粗的句子为机器给出的答案：
每个男孩都是人。
我知道。
手指是手的一部分。
我知道。
每个人都有两只手。
上述句子表达不清楚。请改述。
每个人都长两只手。
我知道。
约翰有几根手指？
上述句子表达不清楚，但是我猜（有）指的是（长有）。我不知道手指是否是约翰身体的一部分。
约翰是个男孩。
我知道。
约翰有几根手指？
上述句子表达不清楚，但是我猜（有）指的是（长有）。每只手长有几根手指？
每只手都长有5根手指。
我知道。
约翰长有几根手指？
答案是10根。
他们构思人工智能和智能行为的方法就是将这些看似毫不相干的表达联系起来。他们自上而下审视了人工智能，我们如今称之为符号人工智能或传统人工智能。对传统人工智能研究者来说，人类通过构建内部的符号化表现形式来认识世界，而所有人工智能都以人类认识世界的能力为基础。我们可以创建规则来落实这些概念，而捕捉日常知识能够使这些概念变得规范。如果将人脑看作一台电脑，这意味着我们操控的每一种情况都依赖于内部计算程序，这一程序一步步告诉我们如何完全依据逻辑来进行某项操作。如果的确如此，那么这些世界各地机构纷纷采用的规则同样适用于计算机。
这在当时听起来十分容易，不久以后，情况也确实如此。