La scène socio-politique du Pérou contemporain est de plus en plus marquée par la présence et la forte activité des représentants de peuples indigènes d’Amazonie, et en particulier les Awajún du Haut Marañón qui se sont révélés être des acteurs politiques de premier plan. Si, aujourd’hui, c’est un fait connu que les anciens guerriers « réducteurs de têtes » sont devenus de fameux politiciens indigènes, maîtres de la parole et dans l’art de la diplomatie, reste à saisir la façon dont ce passage a été possible, perçu et pensé par les Awajún eux-mêmes. Afin de comprendre la relation établie entre la « pensée indigène » et la question du « politique », entre la construction de l’individu et la formation des « dirigeants politiques », on retrace ici les premières étapes de l’histoire « moderne » du Haut Marañón. Adoptant une perspective pluridisciplinaire, associant observation ethnographique et études politiques, cette recherche s’appuie avant tout sur les récits et discours d’anciens leaders indigènes, protagonistes des événements qui ont conduit à la fondation des premières organisations ethno-politiques awajún. Les récits mythiques, les souvenirs, les récits de guerre et les formes narratives acquises à l’extérieur se mêlent pour constituer les axes discursifs de la reconstruction de l’histoire qui, entre 1920 et 1980, a conduit à la consolidation de deux nouvelles figures centrales de la vie politique indigène actuelle : le professeur bilingue et le « dirigeant politique ». En réalisant un voyage dans le temps, mobilisant faits historiques et expériences visionnaires, on cherchera à comprendre comment les anciens leaders réorganisent leurs expériences, quelle conception du « pouvoir » transmettent-ils et, finalement, de quelle façon se représentent-ils eux-mêmes comme les « hommes forts » des temps modernes. / The socio-political scenario of contemporary Peru is more and more characterized by the presence and activism of indigenous people representatives. In particular, the Awajún of Alto Marañón emerged as leading political actors. Although today is evident that the ancient “head- shrinkers" warriors have become famous indigenous politicians, masters in the art of diplomatic talk, it is still unknown how the Awajún conceived and perceived this transition. In order understand the relationships between the "indigenous thought" and the question of "politics", the construction of "individuals” and the formation of "political leaders", we show the first stages of the "modern" history of the Alto Marañón. We adopt a multi-disciplinary approach bringing together ethnographic observation and political studies. The ancient indigenous leaders have been key players of the events that led to the foundation of newborn Awajún ethno-political organizations. Their narratives and discourses are the core of this work. The myths, memories, war stories, and non-traditional narrative forms come together and compose the discourse axis for the historical reconstruction that, between 1920 and 1980, resulted in the establishment of two novel fundamental figures of the actual indigenous political life: the bilingual professor and the “political leader”. Through a journey in time, which draws both from historical and visionary experiences, we will try to understand how the ancient leaders are currently re-organizing their experiences, which conceptions of "power" are they transmitting and, ultimately, how they represent themselves as the "strong men" of modern times.

On est consciemment ou inconsciemment influencé par le scientisme et le positivisme logique. Nous posons donc une question : Peut-on parler de Dieu aujourd’hui ? Pour répondre à cette question, nous choisissons deux philosophes : Wittgenstein et Simone Weil. Selon Wittgenstein, « sur ce dont on ne peut parler, il faut garder le silence ». Ce qu’il veut dire par là, ce n’est pas que Dieu n’existe pas ou que Dieu n’est pas intelligible comme le disent le scientisme et le positivisme logique. Ce qu’il veut dire par là, c’est que Dieu existe effectivement, mais que l’on ne peut parler de lui en raison de la limite de notre langage. Or, la faute de Wittgenstein consiste à détourner les yeux de l’intelligibilité religieuse ou métaphysique. En ce qui concerne Simone Weil, elle parle de Dieu dans ses écrits et ses lettres. Qu’est-ce qui lui permet de parler de Dieu ? C’est le premier intérêt de ce projet. Et le deuxième intérêt consiste à déterminer l’expérience mystique de Simone Weil, car l’utilisation du mot « mystique » dans les études sur elle est assez arbitraire. Le troisième intérêt est de mettre en relief la relation entre la non-lecture et l’intuition chez elle. Enfin, le cinquième intérêt est de traiter la relation entre le bouddhisme zen et la pensée de Simone Weil. A travers nos études sur le concept d’intuition chez Simone Weil, nous proposerons une autre vision du monde que le scientisme et le positivisme logique. / We are consciously or unconsciously influenced by scientism and logical positivism. So we asked a question: Can we speak of God today? To answer the question, we focus on two philosophers, Wittgenstein and Simone Weil. According to Wittgenstein, “Whereof one cannot speak, thereof one must be silent.” What he means by that is not that God doesn’t exist or that God is not intelligible as say scientism and logical positivism. What he means by that is that God does exist, but we can’t talk about him because of the limits of our language. But the lack of Wittgenstein is to look away from religious or metaphysical intelligibility. As for Simone Weil, she speaks of God in her writings and letters. What allows her to speak of God? This is our first point of interest. And our second point of interest is to define the mystical experience of Simone Weil, because the use of the word “mystical” in studies of Weil is rather arbitrary. Our third point of interest is to highlight the relationship between “non-reading” and intuition in Simone Weil. Our fourth point of interest is to explore the relationship between Zen Buddhism and the thought of Simone Weil. Through studying them, we will answer this question and, through Weil’s concept of intuition, we propose a worldview that is different from scientism and from logical positivism.

En utilisant la méthodologie de l'apprentissage profond qui préconise de s'appuyer davantage sur des données et des modèles neuronaux flexibles plutôt que sur les connaissances de l'expert dans le domaine, la communauté de recherche a récemment réalisé des progrès remarquables dans la compréhension et la génération du langue naturel. Néanmoins, il reste difficile de savoir si une simple extension des méthodes d'apprentissage profond existantes sera suffisante pour atteindre l'objectif d'utiliser le langage naturel pour l'interaction homme-machine. Nous nous concentrons sur deux aspects connexes dans lesquels les méthodes actuelles semblent nécessiter des améliorations majeures. Le premier de ces aspects est l'inefficacité statistique des systèmes d'apprentissage profond: ils sont connus pour nécessiter de grandes quantités de données pour bien fonctionner. Le deuxième aspect est leur capacité limitée à généraliser systématiquement, à savoir à comprendre le langage dans des situations où la distribution des données change mais les principes de syntaxe et de sémantique restent les mêmes. Dans cette thèse, nous présentons quatre études de cas dans lesquelles nous cherchons à apporter plus de clarté concernant l'efficacité statistique susmentionnée et les aspects de généralisation systématique des approches d'apprentissage profond de la compréhension des langues, ainsi qu'à faciliter la poursuite des travaux sur ces sujets. Afin de séparer le problème de la représentation des connaissances du monde réel du problème de l'apprentissage d'une langue, nous menons toutes ces études en utilisant des langages synthétiques ancrés dans des environnements visuels simples. Dans le premier article, nous étudions comment former les agents à suivre des instructions compositionnelles dans des environnements avec une forme de supervision restreinte. À savoir pour chaque instruction et configuration initiale de l'environnement, nous ne fournissons qu'un état cible au lieu d'une trajectoire complète avec des actions à toutes les étapes. Nous adaptons les méthodes d'apprentissage adversariel par imitation à ce paramètre et démontrons qu'une telle forme restreinte de données est suffisante pour apprendre les significations compositionelles des instructions. Notre deuxième article se concentre également sur des agents qui apprennent à exécuter des instructions. Nous développons la plateforme BabyAI pour faciliter des études plus approfondies et plus rigoureuses de ce cadre d'apprentissage. La plateforme fournit une langue BabyAI compositionnelle avec $10 ^ {19}$ instructions, dont la sémantique est précisément définie dans un environnement partiellement observable. Nous rapportons des résultats de référence sur la quantité de supervision nécessaire pour enseigner à l'agent certains sous-ensembles de la langue BabyAI avec différentes méthodes de formation, telles que l'apprentissage par renforcement et l'apprentissage par imitation. Dans le troisième article, nous étudions la généralisation systématique des modèles de réponse visuelle aux questions (VQA). Dans le scénario VQA, le système doit répondre aux questions compositionelles sur les images. Nous construisons un ensemble de données de questions spatiales sur les paires d'objets et évaluons la performance des différents modèles sur les questions concernant les paires d'objets qui ne se sont jamais produites dans la même question dans la distribution d'entraînement. Nous montrons que les modèles dans lesquels les significations des mots sont représentés par des modules séparés qui effectuent des calculs indépendants généralisent beaucoup mieux que les modèles dont la conception n'est pas explicitement modulaire. Cependant, les modèles modulaires ne généralisent bien que lorsque les modules sont connectés dans une disposition appropriée, et nos expériences mettent en évidence les défis de l'apprentissage de la disposition par un apprentissage de bout en bout sur la distribution d'entraînement. Dans notre quatrième et dernier article, nous étudions également la généralisation des modèles VQA à des questions en dehors de la distribution d'entraînement, mais cette fois en utilisant le jeu de données CLEVR, utilisé pour les questions complexes sur des scènes rendues en 3D. Nous générons de nouvelles questions de type CLEVR en utilisant des références basées sur la similitude (par exemple `` la balle qui a la même couleur que ... '') dans des contextes qui se produisent dans les questions CLEVR mais uniquement avec des références basées sur la localisation (par exemple `` le balle qui est à gauche de ... ''). Nous analysons la généralisation avec zéro ou quelques exemples de CLOSURE après un entraînement sur CLEVR pour un certain nombre de modèles existants ainsi qu'un nouveau modèle. / By using the methodology of deep learning that advocates relying more on data and flexible neural models rather than on the expert's knowledge of the domain, the research community has recently achieved remarkable progress in natural language understanding and generation. Nevertheless, it remains unclear whether simply scaling up existing deep learning methods will be sufficient to achieve the goal of using natural language for human-computer interaction. We focus on two related aspects in which current methods appear to require major improvements. The first such aspect is the data inefficiency of deep learning systems: they are known to require extreme amounts of data to perform well. The second aspect is their limited ability to generalize systematically, namely to understand language in situations when the data distribution changes yet the principles of syntax and semantics remain the same. In this thesis, we present four case studies in which we seek to provide more clarity regarding the aforementioned data efficiency and systematic generalization aspects of deep learning approaches to language understanding, as well as to facilitate further work on these topics. In order to separate the problem of representing open-ended real-world knowledge from the problem of core language learning, we conduct all these studies using synthetic languages that are grounded in simple visual environments. In the first article, we study how to train agents to follow compositional instructions in environments with a restricted form of supervision. Namely for every instruction and initial environment configuration we only provide a goal-state instead of a complete trajectory with actions at all steps. We adapt adversarial imitation learning methods to this setting and demonstrate that such a restricted form of data is sufficient to learn compositional meanings of the instructions. Our second article also focuses on instruction following. We develop the BabyAI platform to facilitate further, more extensive and rigorous studies of this setup. The platform features a compositional Baby language with $10^{19}$ instructions, whose semantics is precisely defined in a partially-observable gridworld environment. We report baseline results on how much supervision is required to teach the agent certain subsets of Baby language with different training methods, such as reinforcement learning and imitation learning. In the third article we study systematic generalization of visual question answering (VQA) models. In the VQA setting the system must answer compositional questions about images. We construct a dataset of spatial questions about object pairs and evaluate how well different models perform on questions about pairs of objects that never occured in the same question in the training distribution. We show that models in which word meanings are represented by separate modules that perform independent computation generalize much better than models whose design is not explicitly modular. The modular models, however, generalize well only when the modules are connected in an appropriate layout, and our experiments highlight the challenges of learning the layout by end-to-end learning on the training distribution. In our fourth and final article we also study generalization of VQA models to questions outside of the training distribution, but this time using the popular CLEVR dataset of complex questions about 3D-rendered scenes as the platform. We generate novel CLEVR-like questions by using similarity-based references (e.g. ``the ball that has the same color as ...'') in contexts that occur in CLEVR questions but only with location-based references (e.g. ``the ball that is to the left of ...''). We analyze zero- and few- shot generalization to CLOSURE after training on CLEVR for a number of existing models as well as a novel one.