隨著感興趣的研究者越來越多，人工智能開始細分為不同的領域，這意味著人們探索的範圍開始變得更加廣闊。從某種意義上來說，這一現象是大勢所趨。在達特茅斯會議上，人們發現，就連為各自的新領域取一個大家都認同的名字都十分困難。約翰·麥卡錫力薦「閃光探測人工智能」，但卻並不能令其他人信服。另一位名為亞瑟·塞繆爾（Arthur Samuel）的研究者認為這個名字聽起來很「做作」，而艾倫·紐厄爾（Alan Newell）和赫伯特·西蒙則立即又將其作品重新命名為「複雜信息編程」。
人工智能很快就細分為不同專業，僅從1958年在英國密德薩斯的特丁頓國家物理實驗室召開的「思維過程的機械化」會議就能看出這一點。達特茅斯會議召開僅僅兩年後，人工智能就已經細分為多個領域，包括人工思維、字符和模式識別、學習、機器翻譯、生物學、自動編程、產業規劃和辦公機械化。
接下來的一段時間成了傳統人工智能的黃金時期。新的領域層出不窮，研究者們不斷取得重要進展，思考的機器也呼之欲出。由於有美國國防部高級研究計劃局（ARPA）等政府機構的資金支持，巨大的投資使研究沒有受到什麼干擾。1963年6月，國防部高級研究計劃局為麻省理工學院提供了220萬美元的撥款，用於研究「計算機輔助識別」。據撥款受益人稱，國防部高級研究計劃局採取一次性付款，之後也未太過關心這筆款項是如何使用的。而類似的事情不止一次發生。
約翰·麥卡錫將這一現象稱為人工智能的「看！不用手也行！」時代，這一時代成功喚起了青少年的熱情和勇氣。在之後的十多年裡，研究者們應對了眾多挑戰，並反駁了「沒有機器能夠做到X」這樣一個假設。X所代表的含義取決於提問者是誰。一位研究者曾經編寫了一套國際跳棋程序，該程序能夠打敗大多數業餘選手，包括編程者自己。另一項突破是感知人工智能，它能夠在一個使用機器人手的桌面上重新排列不同形狀的彩色模塊：這無疑是計算機視覺方面的一項壯舉。一個名為SAINT的項目能夠解開大學一年級課程水平的微積分中的積分問題。另一個名為ANALOGY的項目還能夠解開智力測驗中的幾何問題，而STUDENT則能夠破解複雜的代數難題，例如：「如果湯姆的客戶數量是廣告數量20%的平方，他一共做了45個廣告，那麼請問湯姆一共有多少個客戶？」
計算推理領域有一個特別引人注目的例子，那就是Sir（語義信息檢索）項目。Sir不僅能夠理解英語句子，甚至能夠分析賓語之間的關係，這和人工智能有些類似。實際上，這一「知識」依賴於預先設定的模板，例如，A是B的一部分，然後用名詞來代替變量。然而，正如馬文·明斯基所說的那樣，人們可以採用類似的方法解決一系列其他問題。有一個有關Sir的典型案例，案例中未加粗的句子為用戶輸入的文本，加粗的句子為機器給出的答案：
每個男孩都是人。
我知道。
手指是手的一部分。
我知道。
每個人都有兩隻手。
上述句子表達不清楚。請改述。
每個人都長兩隻手。
我知道。
約翰有幾根手指？
上述句子表達不清楚，但是我猜（有）指的是（長有）。我不知道手指是否是約翰身體的一部分。
約翰是個男孩。
我知道。
約翰有幾根手指？
上述句子表達不清楚，但是我猜（有）指的是（長有）。每隻手長有幾根手指？
每隻手都長有5根手指。
我知道。
約翰長有幾根手指？
答案是10根。
他們構思人工智能和智能行為的方法就是將這些看似毫不相干的表達聯繫起來。他們自上而下審視了人工智能，我們如今稱之為符號人工智能或傳統人工智能。對傳統人工智能研究者來說，人類通過構建內部的符號化表現形式來認識世界，而所有人工智能都以人類認識世界的能力為基礎。我們可以創建規則來落實這些概念，而捕捉日常知識能夠使這些概念變得規範。如果將人腦看作一台電腦，這意味著我們操控的每一種情況都依賴於內部計算程序，這一程序一步步告訴我們如何完全依據邏輯來進行某項操作。如果的確如此，那麼這些世界各地機構紛紛採用的規則同樣適用於計算機。
這在當時聽起來十分容易，不久以後，情況也確實如此。