#தினம்_ஒரு_திருவாசகம்
தொல்லை இரும்பிறவிச் சூழும் தளை நீக்கி
அல்லல் அறுத்து ஆனந்தம் ஆக்கியதே – எல்லை
மருவா நெறியளிக்கும் வாதவூர் எங்கோன்
திருவாசகம் என்னும் தேன்

பொருள்:
1.எப்போது ஆரம்பித்தது என அறியப்படமுடியாத தொலை காலமாக (தொல்லை)

2. இருந்து வரும் (இரும்)

3.பிறவிப் பயணத்திலே ஆழ்த்துகின்ற (பிறவி சூழும்)

4.அறியாமையாகிய இடரை (தளை)

5.அகற்றி (நீக்கி),

6.அதன் விளைவால் சுகதுக்கமெனும் துயரங்கள் விலக (அல்லல் அறுத்து),

7.முழுநிறைவாய்த் தன்னுளே இறைவனை உணர்த்துவதே (ஆனந்த மாக்கியதே),
8.பிறந்து இறக்கும் காலவெளிகளில் (எல்லை)

9.பிணைக்காமல் (மருவா)

10.காக்கும் மெய்யறிவினைத் தருகின்ற (நெறியளிக்கும்),

11.என் தலைவனான மாணிக்க வாசகரின் (வாதவூரெங்கோன்)

12.திருவாசகம் எனும் தேன் (திருவா சகமென்னுந் தேன்)
முதல்வரி: பிறவி என்பது முன்வினை விதையால் முளைப்பதோர் பெருமரம். அந்த ‘முன்வினை’ எங்கு ஆரம்பித்தது எனச் சொல்ல இயலாது. ஆனால் ‘அறியாமை’ ஒன்றே ஆசைக்கும்,, அச்சத்துக்கும் காரணம் என்பதால், அவையே வினைகளை விளைவிப்பன என்பதால், தொடர்ந்து வரும் பிறவிகளுக்கு, ‘அறியாமையே’ காரணம்
அறியாமைக்கு ஆரம்பம் கிடையாது. நமக்கு ஒரு பொருளைப் பற்றிய அறிவு எப்போதிருந்து இல்லை? அதைச் சொல்ல முடியாது. அதனாலேதான் முதலடியில், ஆரம்பமில்லாத அஞ்ஞானத்தை பிறவிகளுக்குக் காரணமாகச் சொல்லியது. ஆனால் அறியாமை, அறிவின் எழுச்சியால், அப்போதே முடிந்து விடும்.
இரண்டாம் வரி: அறியாமையை நீக்கியதால், பிறவிப் பிணி இல்லாமற் போகிறது. ஆனால் நாம் இப்போது பிறந்திருக்கிறோமே என்றாலும், மெய்யறிவு வந்துவிட்டால், வாழ்க்கையில் வரும் இன்பம், துன்பம் இவ்விரண்டு அல்லல்களையுமே நாம் ஒரு சாட்சியாகப் பார்த்து அவற்றால் பாதிப்பு இல்லாமல் இருந்துவிட முடியும்
அப்படி வாழ்வதால் என்ன பயன்? அதன் பயன், இன்பமும் துன்பமும் வெளிப் பொருட்களில் இல்லை என்பதும், இவற்றை எல்லாம் தாண்டிய ஒரு முழு அமைதியாகவே நாம் இருக்கிறோம் என்பதும், அதனால், பகுத்தறிவையும் தாண்டிய ஒரு தொகுத்துணர்விலே இருந்து, முழுமையான ஆனந்த நிலையை நாம் அடைய முடியும் என்பதும்தான்.
மூன்றாம் வரி: எனவே பிறப்பு, மாற்றங்கள், இறப்பு எனும் கால, தேச கட்டுமானங்களாகிய எல்லையில், மீண்டும் நம்மைப் பிணைக்காத ஒரு மெய்யறிவு நமக்கு வேண்டும். தர்மப்படி வாழ்ந்தாலும், அதுவும் அறம், பொருள், இன்பம் எனத் தேடி, பாவ புண்ணியக் கயிற்றால் கட்டி, கால தேச எல்லைக்குள்
இதை எல்லாம் தாண்டி, வீடு பேறு எனும் தன்னிலை வழுவாத் தன்மையில் இருத்துகின்ற நெறியே மெய்யறிவு ஆகும். அந்த மெய்யறிவை அளிப்பது, என் தலைவனாகிய திருவாதவூரில் அவதரித்த மாணிக்க வாசகப் பெருமான்.

நான்காம் வரி: (அதுவே) அன்னாரின் திருவாசகம் எனும் தேன். மாணிக்க வாசகரின் திருவாசகத்தை
தேன் என்பதற்கு என்ன காரணம்? சொற்சுவை, பொருட்சுவை என்றெல்லாம் இலக்கண இலக்கிய ரசனையால், ஒரு படைப்பைத் தேன் எனக் கொள்வது உண்டு. அந்த வகையிலே எத்தனையோ தமிழிலக்கியங்களும் இருக்கின்றன. ஆனால், ஆன்மநேயத்தைத் தருகின்ற திருவாசகம் தேன் என்பதற்கு மற்றுமொரு காரணம் இருக்க வேண்டும்.
நீர் சுரப்பது – வானம் கொடுப்பது; பால் கரப்பது – பசுக்கள் கொடுப்பது, கனிகள் பறிப்பது – மரங்கள் கொடுப்பது! எனவே மழையே, பாலே, பழமே என்றெல்லாம் ஒன்றைக் கொண்டாடி மகிழ்வதில் பெருமையே. அவை எல்லாம் தேனைப் போன்ற ஓர் உவமைக்கு ஒப்பாகாது! ஏன்?
தேன் என்பது அலைந்து அலைந்து,
ஆய்ந்து ஆய்ந்து, நுகர்ந்தும், உறிஞ்சியும், உண்டும் மகிழ்ந்து, அதையே உமிழ்ந்தும் கொடுப்பது. தேன் என்பது உழைப்பின் வெகுமதி. தேன் என்பது ஆய்தலால் விளைந்த அமிர்தம். தேன் என்பது உண்டு உமிழ்ந்த சுவை. அது அனுபவித்துப் பகிர்கின்ற கொடை.
மாணிக்க வாசகர் தேனீக்களைப் போல பகுத்தறிந்தும், தொகுத்துணர்ந்தும் மறைப்பூக்களின் மகரந்தச் சேர்க்கையாய்த் தான் எடுத்துண்ட அனுபூதியாகிய தேனையே திருவாசகமாகத் தந்திருக்கிறார். அதனாலேதான், திருவாசகம் எனும் தேனை உண்பவர் உள்ளத்துள், உண்மை தெளிகிறது
(விளக்கம்: வலைத்தேடல்)

More from All

How can we use language supervision to learn better visual representations for robotics?

Introducing Voltron: Language-Driven Representation Learning for Robotics!

Paper: https://t.co/gIsRPtSjKz
Models: https://t.co/NOB3cpATYG
Evaluation: https://t.co/aOzQu95J8z

🧵👇(1 / 12)


Videos of humans performing everyday tasks (Something-Something-v2, Ego4D) offer a rich and diverse resource for learning representations for robotic manipulation.

Yet, an underused part of these datasets are the rich, natural language annotations accompanying each video. (2/12)

The Voltron framework offers a simple way to use language supervision to shape representation learning, building off of prior work in representations for robotics like MVP (
https://t.co/Pb0mk9hb4i) and R3M (https://t.co/o2Fkc3fP0e).

The secret is *balance* (3/12)

Starting with a masked autoencoder over frames from these video clips, make a choice:

1) Condition on language and improve our ability to reconstruct the scene.

2) Generate language given the visual representation and improve our ability to describe what's happening. (4/12)

By trading off *conditioning* and *generation* we show that we can learn 1) better representations than prior methods, and 2) explicitly shape the balance of low and high-level features captured.

Why is the ability to shape this balance important? (5/12)

You May Also Like